本申请公开了一种材料性能识别方法，包括：从特征集合中选取出目标物理特征作为输入量，对应的材料性能作为输出量，对预设神经网络模型进行训练；选取出被目标物理特征激活的节点，并对选取出的节点进行关联参数的约束；判断特征集合中的各个物理特征是否均被选取出；如果否，则返回执行从特征集合中选取出目标物理特征作为输入量，对应的材料性能作为输出量的操作；如果是，则确定当前的预设神经网络模型为性能识别模型，并将待识别材料的物理特征输入至性能识别模型，得到性能识别结果。应用本申请的方案，可以利用性能识别模型进行材料性能识别，且便于理解。本申请还公开了一种材料性能识别系统、设备及存储介质，具有相应效果。应效果。应效果。
【技术实现步骤摘要】
一种材料性能识别方法、系统、设备及存储介质
[0001]本专利技术涉及机器学习
，特别是涉及一种材料性能识别方法、系统、设备及存储介质。
技术介绍
[0002]目前，基于神经网络的深度学习技术得到了飞速发展，在机器视觉、自然语言处理、信息检索等领域取得了巨大的成功。神经网络算法使用了梯度下降、链式法则等基本优化思路，同时也会应用辅助性方法，常见的包括交叉熵损失函数、正则化、drop out、池化等，这些方法一般需要一定的数学推导和分析，因此神经网络的整个应用过程涉及大量的数学计算。
[0003]然而，神经网络本身理论不明确，在大多数情况下不具备可解释性，仍然是一种黑盒模型，也就是说，目前的神经网络处于应用优先于理论的阶段，这在大多数情况下都适用。然而，对于安全性要求高的金融、军事等行业，以及对理论要求高的医疗、物理、化学、材料等学科，黑盒模型就不可以被贸然使用了，这成为了制约神经网络进一步发展的最大因素。
[0004]近年来，为了打开神经网络的黑盒，已经有多种方法被提出，但主要是在计算机视觉领域，通过将神经网络节点的激活可视化，达到让人类理解的效果。但是，目前还没有适用于物理、材料等强理论学科的可解释性方法或模型，特别是在纳米材料的性能预测领域，缺乏一种人类可理解的可解释模型。
[0005]综上所述，如何利用神经网络进行材料性能识别，并且便于理解，是目前本领域技术人员急需解决的技术问题。
技术实现思路
[0006]本专利技术的目的是提供一种材料性能识别方法、系统、设备及存储介质，以利用神经网络进行材料性能识别，并且便于理解。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种材料性能识别方法，包括：从特征集合中选取出目标物理特征作为输入量，将所述目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练；从训练后的所述预设神经网络模型中选取出被所述目标物理特征激活的节点，并对选取出的节点进行关联参数的约束；判断所述特征集合中的各个物理特征是否均被选取出；如果否，则返回执行所述从特征集合中选取出目标物理特征作为输入量，将所述目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练的操作；如果是，则确定当前的预设神经网络模型为性能识别模型，并将待识别材料的物理特征输入至所述性能识别模型，得到所述待识别材料的性能识别结果。
[0008]优选的，所述预设神经网络模型的总损失函数表示为；其中，表示为预测损失项，表示为相关性损失系数，表示为去相关损失项。
[0009]优选的，所述预测损失项表示为：；其中，表示的是真实标签，表示的是预测标签。
[0010]优选的，所述去相关损失项表示为：；其中，表示为具有当前指定的目标物理特征的样本，表示为不具有当前指定的目标物理特征的样本，表示的是神经元前一层节点的特征值，表示的是权重，表示的是偏置，表示的是预设神经网络模型的层数，表示的是预设神经网络模型的第层，表示的是个样本中的第个样本，表示的是个样本中的第个样本，表示的是神经元前一层的全部节点，表示的是个节点中的第节点。
[0011]优选的，当从训练后的所述预设神经网络模型中选取出被所述目标物理特征激活的节点的数量为0时，还包括：增大相关性损失系数的取值，并返回执行所述从特征集合中选取出目标物理特征作为输入量，将所述目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练的操作。
[0012]优选的，所述特征集合中的物理特征包括：材料组分、物质配比、元素价态、材料微观结构、材料尺寸中的至少一项。
[0013]优选的，所述从训练后的所述预设神经网络模型中选取出被所述目标物理特征激活的节点，包括：从训练后的所述预设神经网络模型中选取出与所述目标物理特征的相关性超过预设的相关性阈值的各个节点作为被所述目标物理特征激活的节点。
[0014]一种材料性能识别系统，包括：特征选取训练模块，用于从特征集合中选取出目标物理特征作为输入量，将所述目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练；参数约束模块，用于从训练后的所述预设神经网络模型中选取出被所述目标物理特征激活的节点，并对选取出的节点进行关联参数的约束；判断模块，用于判断所述特征集合中的各个物理特征是否均被选取出；如果否，则触发所述特征选取训练模块；如果是，则触发执行模块，所述执行模块用于确定当前的预设神经网络模型为性
能识别模型，并将待识别材料的物理特征输入至所述性能识别模型，得到所述待识别材料的性能识别结果。
[0015]一种材料性能识别设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以实现如上述任一项所述的材料性能识别方法的步骤。
[0016]一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的材料性能识别方法的步骤。
[0017]应用本专利技术实施例所提供的技术方案，从特征集合中选取出目标物理特征作为输入量，将目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练，并且从训练后的预设神经网络模型中选取出被目标物理特征激活的节点，并对选取出的节点进行关联参数的约束，也就是说，对于目标物理特征，可以让对应的关键节点被训练出，是人类可理解的，即具有较强的可解释性。当特征集合中的各个物理特征均被选取出之后，即对于特征集合中的各个物理特征均经过训练之后，便可以得到具有较强的可解释性的神经网络。之后便可以将训练完成的预设神经网络模型作为得到的性能识别模型，并将待识别材料的物理特征输入至性能识别模型，得到待识别材料的性能识别结果。由于本申请可以利用性能识别模型进行材料性能识别，并且便于理解，因此有利于后续进行神经网络的性能调整，也有利于神经网络技术的发展进步。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为本专利技术中一种材料性能识别方法的实施流程图；图2为本专利技术一种具体实施方式中的预设神经网络模型的节点连接结构示意图；图3为本专利技术中一种材料性能识别系统的结构示意图。
具体实施方式
[0020]本专利技术的核心是提供一种材料性能识别方法，可以利用性能识别模型进行材料性能识别，并且便于理解，有利于后续进行神经网络的性能调整，也有利于神经网络技术的发展进步。
[0021]为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]请参考图1，图1为本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种材料性能识别方法，其特征在于，包括：从特征集合中选取出目标物理特征作为输入量，将所述目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练；从训练后的所述预设神经网络模型中选取出被所述目标物理特征激活的节点，并对选取出的节点进行关联参数的约束；判断所述特征集合中的各个物理特征是否均被选取出；如果否，则返回执行所述从特征集合中选取出目标物理特征作为输入量，将所述目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练的操作；如果是，则确定当前的预设神经网络模型为性能识别模型，并将待识别材料的物理特征输入至所述性能识别模型，得到所述待识别材料的性能识别结果。2.根据权利要求1所述的材料性能识别方法，其特征在于，所述预设神经网络模型的总损失函数表示为；其中，表示为预测损失项，表示为相关性损失系数，表示为去相关损失项。3.根据权利要求2所述的材料性能识别方法，其特征在于，所述预测损失项表示为：；其中，表示的是真实标签，表示的是预测标签。4.根据权利要求2所述的材料性能识别方法，其特征在于，所述去相关损失项表示为：；其中，表示为具有当前指定的目标物理特征的样本，表示为不具有当前指定的目标物理特征的样本，表示的是神经元前一层节点的特征值，表示的是权重，表示的是偏置，表示的是预设神经网络模型的层数，表示的是预设神经网络模型的第层，表示的是个样本中的第个样本，表示的是个样本中的第个样本，表示的是神经元前一层的全部节点，表示的是个节点中的第节点。5.根据权利要求2所述的材料性能识别方法，其特征在于，当从训练后的所述预设神经网络模型中选取出被所述目标物理特征激活的节点的数量为0时，还包括：增大相关性损失系数的取值，并返回执行所述...
【专利技术属性】
技术研发人员：李辰，徐哲，姜金哲，张新，赵雅倩，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。