基于多方向逼近的配方优化方法组成比例

本发明专利技术属于配方优化技术领域，具体涉及基于多方向逼近的配方优化方法。执行以下步骤：步骤1：建立配方的组分与效果的一维关联，包括：获取配方的每一个组分在每次独立实验下的历史数据，以及每次独立试验下对应的效果数据，对每次同一独立实验下的每个组分的历史数据和对应的效果数据进行数据分析，确立每个组分和效果的关联函数，作为一维关联；步骤2：建立配方的参数的二维关联，包括：对每个组分和效果的关联函数进行相似度计算，将相似度计算结果最接近的关联函数对应的两个组分划分为同一分组，分组结果作为二维关联。其通过多维逼近和多方向的数据校正，大幅度提升了配方优化的准确性和可靠性，实现了自动化的配方优化。化。化。

【技术实现步骤摘要】
基于多方向逼近的配方优化方法


[0001]本专利技术属于配方优化
，具体涉及基于多方向逼近的配方优化方法。

技术介绍

[0002]在现实生活中，存在着大量的配方，这些配方为生产提供了重要指导。同时，依据配方生成的产品，也是生活中的重要用品。
[0003]而在实际过程中，配方的研发是一个非常耗时耗力的过程。现有技术中，针对配方的优化，一般采用多次重复的实验，不仅效率低，且因为实验过程中的误差，也很容易导致优化效果较差。
[0004]专利申请号为CN201310095412.3A的专利文献公开了一种基于遗传算法的固体推进剂配方能量优化设计方法，包括步骤：一、建模：根据最小自由能原理，建立固体推进剂的能量特性计算模型；二、初始参数设定与存储：输入固体推进剂所用的组分种数以及各组分的化学式和质量配比范围，同时输入固体推进剂燃烧后产生燃烧产物的种数以及各燃烧产物的化学式和相对分子质量或自燃烧产物数据库中选出所有燃烧产物；三、数据处理器调用遗传算法模块，对所设计固体推进剂的质量配比进行优化设计。
[0005]该方法虽然能快速获得固体推进剂具有最高比冲的最佳配比，能有效解决现有固体推进剂配方设计过程中存在的能量特性试验成本高、周期长、试验量大等缺陷。但由于该方法仅适用于固体推进剂，且对于优化的结果的有效性也没有很好的保证。

技术实现思路

[0006]有鉴于此，本专利技术的主要目的在于提供基于多方向逼近的配方优化方法，其通过多维逼近和多方向的数据校正，大幅度提升了配方优化的准确性和可靠性，实现了自动化的配方优化，具有优化效果好的优点。
[0007]为达到上述目的，本专利技术的技术方案是这样实现的：
[0008]基于多方向逼近的配方优化方法，所述方法执行以下步骤：
[0009]步骤1：建立配方的组分与效果的一维关联，包括：获取配方的每一个组分在每次独立实验下的历史数据，以及每次独立试验下对应的效果数据，对每次同一独立实验下的每个组分的历史数据和对应的效果数据进行数据分析，确立每个组分和效果的关联函数，作为一维关联；
[0010]步骤2：建立配方的参数的二维关联，包括：对每个组分和效果的关联函数进行相似度计算，将相似度计算结果最接近的关联函数对应的两个组分划分为同一分组，分组结果作为二维关联；
[0011]步骤3：建立配方的参数的三维关联，包括：获取每次独立实验下的实验条件参数，再集合配方的每一个组分在每次独立实验下的历史数据，以及每次独立试验下对应的效果数据，对每次同一独立实验下的每个组分的历史数据、实验条件参数和对应的效果数据进行数据分析，确立每个组分、实验条件参数和效果的三维关联函数，作为三维关联；
[0012]步骤4：进行一维逼近优化，包括：分别独立地调整配方每个组分的数据，记录对应的效果数据，使得效果数据满足设定的第一条件，记录此时的每个组分的数据；
[0013]步骤5：在一维逼近优化的结果的基础上，进行二维逼近优化，包括：分别独立地按照同一变化趋势调整同一分组的两个组分的数据，使得效果数据满足设定的第二条件，记录此时的每个组分的数据，作为组分优化结果；
[0014]步骤6：在二维逼近优化的结果的基础上，进行三维逼近优化，包括：分别独立地调整实验条件参数，使得效果数据满足设定的第三条件，记录此时的每个实验条件参数，作为实验条件优化结果；
[0015]步骤7：将记录的实验条件优化结果和组分优化结果作为配方优化的结果。
[0016]进一步的，所述步骤1中对每次同一独立实验下的每个组分的历史数据和对应的效果数据进行数据分析，确立每个组分和效果的关联函数，作为一维关联的方法包括：根据每次同一独立实验下的每个组分的历史数据和对应的效果数据的变化趋势，确定每个组分与效果的变化率的平均值，然后使用如下公式，确立一维关联为：与效果的变化率的平均值，然后使用如下公式，确立一维关联为：其中，Effect为效果，p为变化率的平均值，N为组分的数量，C为调整系数，取值范围为5～10；g为效果数据的均值，ε为组分的历史数据的均值；Component为组分；{}为关联函数符号，表示符号两侧的参数通过符号内的函数进行数学关联；为组分特征值，其取值为组分的历史数据的变化函数。
[0017]进一步的，所述组分的历史数据的变化函数通过如下方法得到：将组分的历史数据的在二维坐标系中标注为坐标点，依据标注的结果，绘制一条曲线，使得这条曲线与每个坐标点的垂直距离最短，基于该曲线，生成对应的函数，作为变化函数。
[0018]进一步的，所述步骤2中对每个组分和效果的关联函数进行相似度计算，将相似度计算结果最接近的关联函数对应的两个组分划分为同一分组，分组结果作为二维关联的方法包括：首先将每个关联函数中对应的变化函数对应的曲线进行相似度分析，以计算变化函数的相似度，然后再计算变化率的平均值的相似度，若两者的相似度的加和结果为最大值，则将两个组分划分为同一分组，分组结果作为二维关联。
[0019]进一步的，所述对曲线进行相似度分析的方法包括：进行图像相似度分析，以计算曲线的相似度。
[0020]进一步的，所述方法还包括：进行数据修正的步骤；所述数据修正包括：输入通过将配方的每一个组分在每次独立实验下的历史数据、每次独立试验下对应的效果数据和实验条件参数分别进行相互连接，得到历史数据集合、效果数据集合和条件参数集合，所述历史数据集合、效果数据集合和条件参数集合构成总集合数据；执行将所述总集合数据映射到多方向空间上以生成方向数增大的映射矢量的方向数增大处理、以及恢复所述映射矢量的方向数以生成方向数恢复总集合数据的方向数恢复处理，从而针对所述图像中所述对象的每种类型的变动生成多个方向数恢复总集合数据；基于所述映射矢量来确定所述对象的变动；基于确定結果，将所述多个方向数恢复总集合数据相互整合，并且将整合结果作为修正后的数据输出。
[0021]进一步的，所述通过使用针对每种类型的变动而准备的多个映射集合将所述总集合数据映射到所述多方向空间上，生成多个方向数增大的映射矢量，并且使用所述多个映
射集合来分别恢复所述多个映射矢量的方向数，从而生成多个方向数恢复总集合数据，并且所述确定単元基于所述多个映射矢量来确定所述对象的变动。
[0022]进一步的，通过学习关于多种类型的变动的数据而生成的第一映射集合、执行所述方向数增大处理和所述方向数恢复处理，来生成方向数增大的第一映射矢量以及第
ー
方向数恢复总集合数据，并且通过学习针对每种类型的变动的数据而生成的多个第二映射集合，针对所述第一方向数恢复总集合数据执行所述方向数增大处理和所述方向数恢复处理，来生成所述多个方向数恢复总集合数据，并且所述确定単元基于所述第一映射矢量来确定所述对象的变动。
[0023]进一步的，通过学习关于多种类型的变动的数据而生成的第一映射集合、执行所述方向数增大处理，来生成方向数增大的第一映射矢量，并且使用通过学习针对每种类型的变动的数据而生成的多个第二映射集合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多方向逼近的配方优化方法，其特征在于，所述方法执行以下步骤：步骤1：建立配方的组分与效果的一维关联，包括：获取配方的每一个组分在每次独立实验下的历史数据，以及每次独立试验下对应的效果数据，对每次同一独立实验下的每个组分的历史数据和对应的效果数据进行数据分析，确立每个组分和效果的关联函数，作为一维关联；步骤2：建立配方的参数的二维关联，包括：对每个组分和效果的关联函数进行相似度计算，将相似度计算结果最接近的关联函数对应的两个组分划分为同一分组，分组结果作为二维关联；步骤3：建立配方的参数的三维关联，包括：获取每次独立实验下的实验条件参数，再集合配方的每一个组分在每次独立实验下的历史数据，以及每次独立试验下对应的效果数据，对每次同一独立实验下的每个组分的历史数据、实验条件参数和对应的效果数据进行数据分析，确立每个组分、实验条件参数和效果的三维关联函数，作为三维关联；步骤4：进行一维逼近优化，包括：分别独立地调整配方每个组分的数据，记录对应的效果数据，使得效果数据满足设定的第一条件，记录此时的每个组分的数据；步骤5：在一维逼近优化的结果的基础上，进行二维逼近优化，包括：分别独立地按照同一变化趋势调整同一分组的两个组分的数据，使得效果数据满足设定的第二条件，记录此时的每个组分的数据，作为组分优化结果；步骤6：在二维逼近优化的结果的基础上，进行三维逼近优化，包括：分别独立地调整实验条件参数，使得效果数据满足设定的第三条件，记录此时的每个实验条件参数，作为实验条件优化结果；步骤7：将记录的实验条件优化结果和组分优化结果作为配方优化的结果。2.如权利要求1所述的方法，其特征在于，所述步骤1中对每次同一独立实验下的每个组分的历史数据和对应的效果数据进行数据分析，确立每个组分和效果的关联函数，作为一维关联的方法包括：根据每次同一独立实验下的每个组分的历史数据和对应的效果数据的变化趋势，确定每个组分与效果的变化率的平均值，然后使用如下公式，确立一维关联为：为：其中，Effect为效果，p为变化率的平均值，N为组分的数量，C为调整系数，取值范围为5～10；g为效果数据的均值，ε为组分的历史数据的均值；Component为组分；{}为关联函数符号，表示符号两侧的参数通过符号内的函数进行数学关联；为组分特征值，其取值为组分的历史数据的变化函数。3.如权利要求2所述的方法，其特征在于，所述组分的历史数据的变化函数通过如下方法得到：将组分的历史数据的在二维坐标系中标注为坐标点，依据标注的结果，绘制一条曲线，使得这条曲线与每个坐标点的垂直距离最短，基于该曲线，生成对应的函数，作为变化函数。4.如权利要求3所述的方法，其特征在于，所述步骤2中对每个组分和效果的关联函数进行相似度计算，将相似度计算结果最接近的关联函数对应的两个组分划分为同一分组，分组结果作为二维关联的方法包括：首先将每个关联函...

【专利技术属性】
技术研发人员：郑益华，黄志民，刘忠林，马蓝宇，黎演明，徐梦雪，莫秋凤，黄译锋，赖文钦，唐耀航，谢松伯，房严严，陈先锐，
申请(专利权)人：广西科学院，
类型：发明
国别省市：