【技术实现步骤摘要】
本专利技术属于合金材料，具体是指基于机器学习的非晶金属合金弹性性能预测系统及方法。
技术介绍
1、非晶金属合金在汽车、航空和医疗等领域具有广阔前景，非晶金属合金弹性性能预测有助于降低实验成本，辅助材料工程师快速筛选出具备理想性能的非晶金属合金，为合金成分优化提供指导，从而推动现代材料科学的发展。但在现有的非晶金属合金弹性性能预测过程中，存在非晶金属合金涉及复杂的工艺参数，拥有大量特征，容易引入噪声和重复信息，导致模型过拟合，影响预测准确性的技术问题；存在复杂的非线性关系，传统的基于经验公式的方法难以充分表达这些复杂关系，缺乏一种非线性建模能力强的预测方法的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于机器学习的非晶金属合金弹性性能预测系统及方法，针对在非晶金属合金弹性性能预测过程中，存在非晶金属合金涉及复杂的工艺参数，拥有大量特征，容易引入噪声和重复信息，导致模型过拟合，影响预测准确性的技术问题，本方案采用结合冗余特征清除的关键特征筛选，有效提高了数据质量，降低了特征空间的维度，从而提高模型训练的效率，有助于减少过拟合的风险；针对在非晶金属合金弹性性能预测过程中，存在复杂的非线性关系，传统的基于经验公式的方法难以充分表达这些复杂关系，缺乏一种非线性建模能力强的预测方法的技术问题，本方案采用四层人工神经网络进行预测，具有更强的非线性建模能力，能更好地学习复杂特征之间的关系，提高了模型的学习能力和泛化能力。
2、本专利技术采用的技术方
3、所述数据采集模块，用于数据采集，具体为采集非晶金属合金弹性性能预测相关数据，通过采集得到非晶金属合金数据，并将所述非晶金属合金数据发送至数据预处理模块；
4、所述数据预处理模块，用于数据预处理，具体为采用最小最大归一化方法对候选特征进行缩放，得到标准特征，并将所述标准特征发送至特征筛选模块；
5、所述特征筛选模块，用于筛选关键特征，具体为基于相关性进行冗余特征清除，得到第一特征子集，通过方差阈值过滤方法和浮动特征选择算法进行关键特征筛选，得到最佳特征子集，并将所述最佳特征子集发送至预测模型构建模块；
6、所述预测模型构建模块，采用四层人工神经网络，经过f次模型训练，重复进行前向传播和反向传播，更新权重系数和偏置项，进而优化损失函数，得到非晶金属合金弹性性能预测模型；
7、所述预测报告生成模块，采用非晶金属合金弹性性能预测模型进行预测，得到非晶金属合金弹性性能预测数据并生成预测报告。
8、本专利技术提供的基于机器学习的非晶金属合金弹性性能预测方法，该方法包括以下步骤：
9、步骤s1：数据采集，具体为获取非晶金属合金数据；
10、步骤s2：数据预处理；
11、步骤s3：特征筛选；
12、步骤s4：预测模型构建；
13、步骤s5：预测报告生成。
14、进一步地，在步骤s1中，所述非晶金属合金数据包括数据点、弹性性能类别标签和候选特征，所述弹性性能类别标签包括低弹性、中等弹性和高弹性，所述候选特征包括合金元素的基本元素参数、热力学参数、价电子分布和原子体积。
15、进一步地，在步骤s2中，所述数据预处理，具体为采用最小最大归一化方法对候选特征进行缩放，得到标准特征，所述最小最大归一化方法的计算公式为：
16、；
17、式中，y是标准特征，q是缩放域最小值，p是缩放域最大值，所述缩放域用于表示将候选特征集进行缩放的目标区间范围，y是候选特征，ymin是候选特征最小值，ymax是候选特征最大值。
18、进一步地，在步骤s3中，所述特征筛选，具体为结合冗余特征清除的关键特征筛选，包括以下步骤：
19、步骤s31：冗余特征清除，具体为基于相关性进行冗余特征清除，包括以下步骤：
20、步骤s311：计算每对标准特征之间的皮尔逊相关系数，用于衡量标准特征之间的线性相关程度，所述皮尔逊相关系数的计算公式为：
21、；
22、式中，per（·）皮尔逊相关系数函数，i是第一标准特征索引，j是第二标准特征索引，所述第一标准特征索引和第二标准特征索引满足i≠j，yi是第i个标准特征，yj是第j个标准特征，e[·]是期望值函数，是第i个标准特征的标准差，是第j个标准特征的标准差；
23、步骤s312：移除高度相关的标准特征，具体为依据皮尔逊相关系数，判断每对标准特征之间的线性相关程度，如果一对标准特征的皮尔逊相关系数的绝对值≥0.75，那么将其中一个特征从标准特征中移除；
24、步骤s313：将剩余的标准特征作为第一特征子集；
25、步骤s32：关键特征筛选，包括以下步骤：
26、步骤s321：通过方差阈值过滤方法进行初步筛选，具体为计算第一特征子集中的每个特征方差，将特征方差＜0.01的特征从第一特征子集中移除，得到初筛特征子集；
27、步骤s322：采用浮动特征选择算法，对初筛特征子集进行第二次筛选，包括以下步骤：
28、步骤s3221：初始化浮动特征选择算法的参数，得到初始参数，所述初始参数包括迭代次数h和邻近数据点数量k；
29、步骤s3222：初始化特征权重，具体为将初筛特征子集中每个特征的权重设定为0，得到特征权重；
30、步骤s3223：通过遍历每个数据点x，动态调整特征权重，具体为确定类内最近邻数据点合集和类间最近邻数据点合集，计算得到类内距离和类间距离，所述类内最近邻数据点合集与数据点x的类别标签相同，所述类间最近邻数据点合集与数据点x的类别标签不同，依据类内距离和类间距离来更新每个特征权重，特征权重更新的计算公式为：
31、；
32、式中，是第h次迭代得到的特征权重，h是迭代次数，er是初筛特征子集中的一个特征，是第h-1次迭代得到的特征权重，la是类别，x是数据点，las（x）是数据点x的类别，p（·）是概率函数，z是类间最近邻数据点索引，k是邻近数据点数量，nrz（x）是第z个类间最近邻数据点，range（·）是取值范围函数，v是类内最近邻数据点索引，lrv（x）是第v个类内最近邻数据点；
33、步骤s3224：选取特征权重最大的k个特征，作为第二特征子集；
34、步骤s33：通过冗余特征清除和关键特征筛选，对标准特征进行特征筛选，得到最佳特征子集。
35、进一步地，在步骤s4中，所述预测模型构建，具体为采用四层人工神经网络构建非晶金属合金弹性性能预测模型，包括以下步骤：
36、步骤s41：设置人工神经网络结构，所述人工神经网络结构包括输入层、第一隐藏层、第二隐藏层和输出层，所述输入层设有a个神经元，a本文档来自技高网...
【技术保护点】
1.基于机器学习的非晶金属合金弹性性能预测系统，其特征在于：包括数据采集模块、数据预处理模块、特征筛选模块、预测模型构建模块和预测报告生成模块；
2.基于机器学习的非晶金属合金弹性性能预测方法，应用于上述权利要求1所述的基于机器学习的非晶金属合金弹性性能预测系统，其特征在于：该方法包括以下步骤：
3.根据权利要求2所述的基于机器学习的非晶金属合金弹性性能预测方法，其特征在于：在步骤S3中，所述特征筛选，具体为结合冗余特征清除的关键特征筛选，包括以下步骤：
4.根据权利要求3所述的基于机器学习的非晶金属合金弹性性能预测方法，其特征在于：步骤S32：关键特征筛选，包括以下步骤：
5.根据权利要求4所述的基于机器学习的非晶金属合金弹性性能预测方法，其特征在于：在步骤S4中，所述预测模型构建，具体为采用四层人工神经网络构建非晶金属合金弹性性能预测模型，包括以下步骤：
6.根据权利要求5所述的基于机器学习的非晶金属合金弹性性能预测方法，其特征在于：在步骤S1中，所述非晶金属合金数据包括数据点、弹性性能类别标签和候选特征，所述弹性性
7.根据权利要求6所述的基于机器学习的非晶金属合金弹性性能预测方法，其特征在于：在步骤S5中，所述预测报告生成，具体为采用非晶金属合金弹性性能预测模型ModelA进行预测，得到非晶金属合金弹性性能预测数据并生成预测报告。
...【技术特征摘要】
1.基于机器学习的非晶金属合金弹性性能预测系统，其特征在于：包括数据采集模块、数据预处理模块、特征筛选模块、预测模型构建模块和预测报告生成模块；
2.基于机器学习的非晶金属合金弹性性能预测方法，应用于上述权利要求1所述的基于机器学习的非晶金属合金弹性性能预测系统，其特征在于：该方法包括以下步骤：
3.根据权利要求2所述的基于机器学习的非晶金属合金弹性性能预测方法，其特征在于：在步骤s3中，所述特征筛选，具体为结合冗余特征清除的关键特征筛选，包括以下步骤：
4.根据权利要求3所述的基于机器学习的非晶金属合金弹性性能预测方法，其特征在于：步骤s32：关键特征筛选，包括以下步骤：
5.根据权利要求4所述的基于机器学习的非晶...
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。