[發明專利]一種生物醫用β鈦合金的楊氏模量的機器學習預測方法

在審

• 申請號: 202210242347.1
• 申請日: 2022-03-11
• 公開（公告）號: CN114596924A
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 劉興軍;彭清華;王翠萍;于金鑫;韓佳甲;張錦彬;黃藝雄;郭毅慧;楊水源;盧勇
• 申請（專利權）人: 廈門大學
• 主分類號: G16C20/70
• 分類號: G16C20/70;G16C20/30;G16C60/00;G06N20/00
• 代理公司: 廈門市首創君合專利事務所有限公司 35204
• 代理人: 張松亭;陳淑嫻

1.一種生物醫用β鈦合金的楊氏模量的機器學習預測方法，其特征在于，包括：

步驟A：收集鈦合金的相組成相關的第一原始數據集和楊氏模量相關的第二原始數據集，分別將第一原始數據集和第二原始數據集中的數據一部分作為訓練集，另一部分作為測試集；

步驟B：分別對第一原始數據集和第二原始數據集生成皮爾遜相關性熱力圖查看特征之間的關聯程度；

步驟C：分別對第一原始數據集和第二原始數據集進行歸一化處理得到第一數據集和第二數據集；

步驟D：利用特征選擇方法，剔除不相關或冗余的特征；

步驟E：生成第一層機器學習模型用來預測鈦合金的微觀組織相組成，采用第一數據集進行模型訓練；

步驟F：使用第一層機器學習模型預測第二數據集中的鈦合金的微觀組織是否為β相，篩選后的第二數據集將作為第二層機器學習模型的輸入；

步驟G：生成第二層機器學習模型用來初步預測β鈦合金的楊氏模量，該第二層包括N個不同的基模型；第二層交叉驗證的折數為K₂，初始化k₂＝1，n＝1；

步驟H：對第n個模型進行第k₂折交叉驗證訓練；

步驟I：判斷k₂是否小于等于K₂，如果是，執行步驟J；否則，執行步驟K；

步驟J：k₂＝k₂+1，回到步驟H；

步驟K：判斷n是否小于等于N，如果是，繼續執行步驟L；如果否，執行步驟M：

步驟L：n＝n+1，回到步驟H；

步驟M：生成第三層機器學習模型用來預測β鈦合金的楊氏模量，將第二層機器學習模型的輸出結果作為第三層機器學習模型的輸入數據；

步驟N：輸出第三層機器學習模型的預測結果；至此，模型訓練完成。

2.根據權利要求1所述的生物醫用β鈦合金的楊氏模量的機器學習預測方法，其特征在于，所述步驟C采用下式的歸一化處理：

其中，X代表特征列中樣本點的原始初值，X_min代表樣本點所在特征列中的最小值，X_max代表樣本點所在特征列中的最大值，X′代表原始數據集經過歸一化處理后的數據集。

3.根據權利要求1所述的生物醫用β鈦合金的楊氏模量的機器學習預測方法，其特征在于，所述步驟D中的特征選擇方法包括遞歸消除法和順序選擇向前法。

4.根據權利要求1所述的生物醫用β鈦合金的楊氏模量的機器學習預測方法，其特征在于，步驟E中，所述訓練過程為：

步驟E₁、第一層機器學習模型交叉驗證的折數為K₁，初始化k₁＝1；

步驟E₂：進行第k₁折交叉驗證訓練；

步驟E₃：判斷k₁是否小于等于K₁，如果是，執行步驟E₄；否則，執行步驟F；

步驟E₄：k₁＝k₁+1，回到步驟E₂。

5.根據權利要求1所述的生物醫用β鈦合金的楊氏模量的機器學習預測方法，其特征在于，所述步驟E中的第一層機器學習模型為隨機森林(Random Forest)。

6.根據權利要求4所述的生物醫用β鈦合金的楊氏模量的機器學習預測方法，其特征在于，K₁＝5～10。

7.根據權利要求1所述的生物醫用β鈦合金的楊氏模量的機器學習預測方法，其特征在于，K₂＝5～10，N＝5。