基于遗传算法的材料最优相关性关系获取方法及应用技术

本发明专利技术的目的在于提供一种基于遗传算法的材料最优相关性关系获取方法及应用，包括：对材料的结构变量之间、产品性能之间的关系进行相关性分析，获取各变量相关性分析结果；通过LAR算法建立多元线性回归模型，并利用所述多元线性回归模型获取任一所述变量相关性的拟合程度；通过遗传算法将非最优解迭代淘汰，获取针对所述材料的最优相关性关系；本发明专利技术所述的方法，采用了数据分析方法和模型优化算法相结合的方式，使得产品性能与结构变量之间的关系得到了全面、准确地分析和评估，同时也实现了对于大量数据的快速处理和筛选，提高了工作效率和准确度。作效率和准确度。作效率和准确度。

【技术实现步骤摘要】
基于遗传算法的材料最优相关性关系获取方法及应用


[0001]本专利技术涉及材料分析领域，具体为一种基于遗传算法的材料最优相关性关系获取方法及应用。

技术介绍

[0002]熔喷无纺布，俗称口罩的“心脏”，是口罩中间的过滤层，能过滤细菌，阻止病菌传播。插层熔喷非织造材料制备工艺参数多且相互影响，使得工艺制造过程更为复杂困难。因此，通过工艺参数（接收距离和热空气速度）决定结构变量（厚度、孔隙率、压缩回弹性），而由结构变量决定最终产品性能（过滤阻力、过滤效率、透气性）的研究也变得较为复杂。如果能分别建立工艺参数与结构变量、结构变量和产品性能之间的关系模型，便有助于为产品性能调控机制的建立提供一定的理论基础；鉴于此，一种针对材料最优相关性关系的获取方法亟待研究。

技术实现思路

[0003]本专利技术的目的在于提供一种基于遗传算法的材料最优相关性关系获取方法及应用，用以至少解决现有技术中的一个技术问题。
[0004]本专利技术的技术方案是：一种基于遗传算法的材料最优相关性关系获取方法，包括：对材料的结构变量之间、产品性能之间的关系进行相关性分析，获取各变量相关性分析结果；通过LAR算法建立多元线性回归模型，并利用所述多元线性回归模型获取任一所述变量相关性的拟合程度；通过遗传算法将非最优解迭代淘汰，获取针对所述材料的最优相关性关系。
[0005]对材料的结构变量之间、产品性能之间的关系进行相关性分析，获取各变量相关性分析结果，包括：对所述结构变量之间的关系以及产品性能之间的关系进行分析，保证这两组变量的相关性进行检验；进行显著性检验，判定典型变量相关性的显著程度；进行典型载荷分析，对结构变量和产品性能进行典型载荷分析，从而得到各变量相关性分析结果。
[0006]假设所述结构变量之间的关系以及产品性能之间的关系服从联合正态分布，对上述两组变量的相关性进行似然比统计；H0：两组变量的协差阵为0；H1：两组变量的协差阵不为0；用于检验的似然比统计量，p值小于0.5表示在95%的置信水平下拒绝原假设；通过比较P值与显著性水平0.05的大小，判定典型变量相关性的显著程度，表明相应典型变量之间相关系数显著，从而经标准化消除量纲和数量级别的影响；
进行典型载荷分析，对结构变量和产品性能进行典型载荷分析，并获取前r个典型变量对所述材料总方差的贡献，从而得到各变量相关性分析结果；r=1，2，3，
……
。
[0007]所述通过LAR算法建立多元线性回归模型，并利用所述多元线性回归模型获取任一所述变量相关性的拟合程度，包括：通过LAR算法建立多元线性回归模型，选择一个与初始目标残差向量y
(0)
相关度最大的特征向量x
i
方向，在该方向x
i
上移动某个步长使得此时的残差向量与特征向量x
i
以及另一个相关度最高的特征向量x
j
的相关度相等。
[0008]以上述角平分线方向为新的特征向量搜索方向进行移动某个步长，使得残差向量位于上述各特征向量的空间角平分线上；其中，xi是相关度最大的特征向量；xj是相关度第二高的特征向量；重复上述步骤中的移动步长直至终止条件；终止条件可谓：a)无目标残差；b)无多余特征向量；c)残差向量足够小。
[0009]所述通过遗传算法将非最优解迭代淘汰，获取针对所述材料的最优相关性关系，包括：采用十进制编码，通过随机数列w1w2…
w
102
作为遗传算法中的染色体，其中0≤w
i
≤1(i=2,3,
…
101)，w
i
=0，w
102
=1；并将每一个随机序列都和种群中的一个个体相对应，并将不同的实数表示成不同的0,1二进制串；按遗传算法中的最大值问题处理，而且不允许适应度小于0；对于最小值问题，通过适应度进行转换；利用遗传算法中的目标函数侦查所有目标的路径长度，且所述遗传算法中的适应度函数取为目标函数；根据任一基因的适应度函数的值与所有基因适应度的总和的比值，作为选择的依据。
[0010]所述对于最小值问题，通过适应度进行转换，包括：通过下式对最小值问题进行转换：；其中，：转换后的适应度；：最小值问题下的适应度；：足够大的常数，可取的最大值。
[0011]所述按遗传算法中的最大值问题处理，而且不允许适应度小于0，包括：对于有可能产生负值的最大值问题，可以采用下式进行变换：；其中，：变换后的适应度；
：最大值问题下的适应度；：足够大的常数。
[0012]所述目标函数如下：；其中，x为接收距离，y为热风速度。
[0013]上述的一种基于遗传算法的材料最优相关性关系获取方法，还包括交叉和变异步骤：所述交叉和变异步骤，包括：选择种群中的每个基因作为父亲，然后通过产生一个[0,1]随机数，将其与定义的交叉概率比较：如果小于该交叉概率，则在种群中随机选择另外的母亲，随机选择交叉点位进行交叉。
[0014]本专利技术的有益效果至少包括：本专利技术所述的方法，通过对材料的结构变量之间、产品性能之间的关系进行相关性分析，获取各变量相关性分析结果；再通过LAR算法建立多元线性回归模型，并利用所述多元线性回归模型获取任一所述变量相关性的拟合程度；最后，通过遗传算法将非最优解迭代淘汰，获取针对所述材料的最优相关性关系；本专利技术所述的方法，采用了数据分析方法和模型优化算法相结合的方式，使得产品性能与结构变量之间的关系得到了全面、准确地分析和评估，同时也实现了对于大量数据的快速处理和筛选，提高了工作效率和准确度；同时，本专利技术所述的方法，采用了典型相关分析方法和多元线性回归方程建模，既能够捕捉变量之间的相关性，又能够准确地刻画它们对产品性能的影响，从而为产品的性能提升提供了科学依据。
附图说明
[0015]图1为本专利技术所述方法的流程图；图2为结构变量相关性示意图；图3为产品性能相关性示意图；图4为多元线性回归原理图；图5为遗传算法的执行初始示意图；图6为遗传算法执行过程中的示意图；图7为遗传算法执行结束示意图。
具体实施方式
[0016]下面结合附图对本申请进行进一步的说明。
[0017]概念解释：遗传算法优化模型：遗传算法的主要思想是借鉴于达尔文的自然选择下的进化论模型。通过借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函
数值高的解。这样进化N代后就很有可能会进化出适应度函数值很高的个体，即为目标函数值的最优化结果。
[0018]LAR参数线性化模型：最小角回归是一种求解线性回归的方法，它主要用于防止由于自变量纬度高防止过拟合的情形，可以进行变量筛选、降维，使模型易于解释。其核心思想为：将回归目标向量依次分解为若干组特征向量的线性组合，最终使得与所有特征均线性无关的残差向量最小。其关键在于选择正确的特征向量分解顺序和分解系数。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于遗传算法的材料最优相关性关系获取方法，其特征在于，包括：对材料的结构变量之间、产品性能之间的关系进行相关性分析，获取各变量相关性分析结果；通过LAR算法建立多元线性回归模型，并利用所述多元线性回归模型获取任一所述变量相关性的拟合程度；通过遗传算法将非最优解迭代淘汰，获取针对所述材料的最优相关性关系。2.根据权利要求1所述的基于遗传算法的材料最优相关性关系获取方法，其特征在于，对材料的结构变量之间、产品性能之间的关系进行相关性分析，获取各变量相关性分析结果，包括：对所述结构变量之间的关系以及产品性能之间的关系进行分析，保证以上两组变量的相关性进行检验；进行显著性检验，判定典型变量相关性的显著程度；进行典型载荷分析，对结构变量和产品性能进行典型载荷分析，从而得到各变量相关性分析结果。3.根据权利要求2所述的基于遗传算法的材料最优相关性关系获取方法，其特征在于：假设所述结构变量之间的关系以及产品性能之间的关系服从联合正态分布，对上述两组变量的相关性进行似然比统计；设H0：两组变量的协差阵为0；设H1：两组变量的协差阵不为0；用于检验的似然比统计量p：p的值小于0.5表示在95%的置信水平下拒绝原假设；通过比较似然比统计量P的值与显著性水平0.05的大小，判定典型变量相关性的显著程度，表明相应典型变量之间相关系数显著，从而经标准化消除量纲和数量级别的影响；进行典型载荷分析，对结构变量和产品性能进行典型载荷分析，并获取前r个典型变量对所述材料总方差的贡献，从而得到各变量相关性分析结果；r=1，2，3，
……
。4.根据权利要求1所述的基于遗传算法的材料最优相关性关系获取方法，其特征在于，所述通过LAR算法建立多元线性回归模型，并利用所述多元线性回归模型获取任一所述变量相关性的拟合程度，包括：过LAR算法建立多元线性回归模型，选择一个与初始目标残差向量y(0)相关度最大的特征向量x
i
方向，在该方向x
i
上移动步长，使得残差向量位于特征向量x
i
以及特征向量x
j
的空间角平分线上。5....

【专利技术属性】
技术研发人员：王馥弘，林俊宇，陈纪佳，魏鹏飞，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：