一种提高材料性能预测准确性的特征变换方法技术

本发明专利技术提供了一种提高材料性能预测准确性的特征变换方法，其特征在于：所述的步骤1.归一化：假设输入的特征向量为I＝{I1，...，I

【技术实现步骤摘要】
一种提高材料性能预测准确性的特征变换方法


[0001]本专利技术涉及材料及工艺研发领域，特别涉及一种提高材料性能预测准确性的特征变换方法。

技术介绍

[0002]随着材料基因工程的观念逐渐深入人心，数据驱动的材料研发模式正在形成。通过以深层神经网络为代表的新一代机器学习技术，构建材料影响因素(包括成分和工艺)与目标量(包括性能、显微组织、相组成)间的的隐式构效关系，进而实现较高精度的性能预测已成为材料研发领域中的常用手段。然而目前深度学习模型在处理表格型数据的拟合任务时容易忽略输入特征的高频成分，造成结果的过度平滑，进而影响预测准确度。

技术实现思路

[0003]鉴于目前方法存在的一些不足，本专利技术提出了一种输入特征变换方法，旨在提高材料性能预测的准确性。
[0004]本专利技术提供了一种提高材料性能预测准确性的特征变换方法，其特征在于：
[0005]步骤1.归一化；
[0006]步骤2.特征变换。
[0007]所述的步骤1.归一化：
[0008]假设输入的特征向量为I＝{I1，...，I
t
},I
t
代表影响性能的第t个因素。使用最大最小归一化将I归一化到[
‑
1,1]之间，得到归一化后的特征。公式为：
[0009][0010]其中I
max
、I
min
分别代表I中的最小和最大元素。
[0011]所述的步骤2.特征变换：
[0012]定义一个特征变换算子ρ,对I
n
中每个元素施加特征变换。公式为：
[0013][0014]其中k为一个正整数参数，一般取值范围在[4,10]之间。将变换后特征代替原始的归一化特征即可实现预测准确性的提高。
[0015]本专利技术与现有技术相比，其优点在于：
[0016]本专利技术所述的提高材料性能预测准确性的特征变换方法，与现有技术相比，优点在于该方法仅对输入特征数据进行简单的变换，无需修改模型结构，即可克服一般神经网络模型对于输入数据中高频成分的不敏感问题，提高性能预测准确性。
具体实施方式
[0017]本专利技术提供了一种提高材料性能预测准确性的特征变换方法，其特征在于：
[0018]步骤1.归一化；
[0019]步骤2.特征变换。
[0020]所述的步骤1.归一化：
[0021]假设输入的特征向量为I＝{I1，...，I
t
}，I
t
代表影响性能的第t个因素。使用最大最小归一化将I归一化到[
‑
1,1]之间，得到归一化后的特征。公式为：
[0022][0023]其中I
max
、I
min
分别代表I中的最小和最大元素。
[0024]所述的步骤2.特征变换：
[0025]定义一个特征变换算子ρ,对I
n
中每个元素施加特征变换。公式为：
[0026][0027]其中k为一个正整数参数，一般取值范围在[4,10]之间。将变换后特征代替原始的归一化特征即可实现预测准确性的提高。
[0028]本专利技术未尽事宜为公知技术。
[0029]尽管已经示出和描述了本专利技术的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本专利技术的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本专利技术的范围由所附权利要求及其等同物限定。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种提高材料性能预测准确性的特征变换方法，其特征在于：步骤1.归一化；步骤2.特征变换。2.根据权利要求1所述的提高材料性能预测准确性的特征变换方法，其特征在于：所述的步骤1.归一化：假设输入的特征向量为I＝{I1，...，I
t
},I
t
代表影响性能的第t个因素。使用最大最小归一化将I归一化到[
‑
1,1]之间，得到归一化后的特征公式为：...

【专利技术属性】
技术研发人员：李巨文，于涵，李兴捷，尚尔峰，刘尚瑀，侯春雨，
申请(专利权)人：中国机械总院集团沈阳铸造研究所有限公司，
类型：发明
国别省市：