【技术实现步骤摘要】
本专利技术属于新材料的研发与软测量
，具体涉及一种。
技术介绍
合金材料是由两种或两种以上的金属与非金属经一定方法所合成的具有金属特性的物质。由于合金的硬度、导电/导热性和抗腐蚀性均比单一的纯金属材料好，因此，成为航空、航天、汽车、通讯电子等领域广泛应用的优选材料。现有的研究表明:合金材料的这些优良的热力学性能与材料的配方密切相关。根据化学成分及其比例的不同，依据这些组合成分的排列组合，将产生无数种新的铝硅镁合金材料，而这些元素搭配的不同将直接决定铝硅镁合金材料性能的优劣。目前，常用的铝硅镁合金大概有100多种，然而，每种铝硅镁合金的组合成分的确定依然没有适用的方法，往往通过实验设计的方式，获得可行域内的离散优化成分，不仅花费了大量的人力和物力，优化的精度也不高。因此，若能建立其多元合金热力学性能的软测量模型，然后根据社会对高塑性、高硬度、高韧性的合金材料的需要，及时有效地决策出合金的配方，将有利于提高其经济价值，加快合金材料的发展。本专利技术以信息学科中最优化理论的平台来考虑这一交叉性学科问题，以铝硅镁合金材料的配方问题为例，可将该问题归结为复杂系统建模与优化问题，即以合金材料的软测量及最优配方决策为目标，在现有合金材料配方体系基础之上，解决小样本数据有效的问题，其次把合金材料形成机理的已有知识用数学描述转换成可行解空间，再建立材料配方与高塑性性能之间的数学模型，并全局优化决策出最佳的合金材料配方。
技术实现思路
本专利技术的目的在于提供一种，能够在试验经费、时间有限的情况下，针对较少的小样本试验数据，提高多元合金材料的软测量精度，同时为多元合金配方...
【技术保护点】
一种面向小样本试验数据的多元合金材料的软测量及其配方决策方法，其特征在于，包括以下步骤：?步骤一、基于Bootstrap及注入噪声的小样本试验数据扩充方法：?在测量中不可避免的存在随机误差，因此利用在原始小样本试验数据中注入噪声的方法，增加样本的多样性，再利用Bootstrap重采样方法，增加样本的数量，解决小样本试验数据问题；?步骤二、基于最大熵神经网络的多元合金材料的热力学性能软测量：?以基于最小误差平方和的神经网络方法为基础，利用样本点之间的不确定性信息关系，把微分熵函数加入到反向传播的目标函数当中，构建一种基于最大熵神经网络ENN(Entropy?Neural?Network)，并由此建立小样本试验数据下的多元合金材料热力学性能的软测量模型；?步骤三、基于遗传算法的多元合金材料的配方决策：?实现多元合金材料的热力学性能软测量之后，根据多元合金材料的机理分析确定可行解空间，在遗传算法中设计染色体编码与解码方法，并确定交叉算子、变异算子及选择算子，通过进化计算，全局优化获得多元合金材料配方的最优决策；?步骤四、基于改进适应度函数的多元合金材料配方的稳健优化准则：?考虑各原材料纯度与...
【技术特征摘要】
1.一种面向小样本试验数据的多元合金材料的软测量及其配方决策方法，其特征在于，包括以下步骤: 步骤一、基于Bootstrap及注入噪声的小样本试验数据扩充方法: 在测量中不可避免的存在随机误差，因此利用在原始小样本试验数据中注入噪声的方法,增加样本的多样性,再利用Bootstrap重采样方法，增加样本的数量，解决小样本试验数据问题； 步骤二、基于最大熵神经网络的多元合金材料的热力学性能软测量: 以基于最小误差平方和的神经网络方法为基础，利用样本点之间的不确定性信息关系，把微分熵函数加入到反向传播的目标函数当中，构建一种基于最大熵神经网络ENN(Entropy Neural Network),并由此建立小样本试验数据下的多元合金材料热力学性能的软测量模型； 步骤三、基于遗传算法的多元合金材料的配方决策: 实现多元合金材料的热力学性能软测量之后，根据多元合金材料的机理分析确定可行解空间，在遗传算法中设计染色体编码与解码方法，并确定交叉算子、变异算子及选择算子，通过进化计算，全局优化获得多元合金材料配方的最优决策； 步骤四、基于改进适应度函数的多元合金材料配方的稳健优化准则: 考虑各原材料纯度与计量仪器的误差对多元合金材料各元素含量的影响，需要设计稳健配方，即当各组员的含量 受不确定因素影响，在小范围内波动时，能够对材料热力学性能的变差影响较小，这里对遗传算法的适应度函数进行改进，利用所需考虑的各热力学性能对各元素含量求偏导数的方法来表示这个变差，再结合传统的最小二乘的优化准则，设计出稳健优化准则，从而利用遗传算法得到多元合金材料配方的稳健优化解。2.根据权利要求1所述的面向小样本试验数据的多元合金材料的软测量及其配方决策方法，其特征在于步骤一中对小样本试验数据的扩充包括: 在测量中不可避免的存在随机误差，因此提出样本扩充法，即以原小样本试验数据为中心点，以实验的容忍误差为半径r，构造一个邻域圆δ，在邻域δ圆内采用均匀分布产生随机数的方法生成虚拟样本，增加样本的多样性。3.根据权利要求1所述的面向小样本试验数据的多元合金材料的软测量及其配方决策方法，其特征在于步骤二中基于最大熵神经网络的多元合金材料的热力学性能软测量包括: (一)最大熵神经网络的正向传播过程 神经网络各层节点数，输入层节点设为j，共有R个；隐含层节点为i，共有N个；输出层节点为m，共有K个；输入层、输出层作用函数为线性函数，即f2(x) = ax+b, a = I ;隐含层作用函数为S型函数式，即= ^77，网络的输出为 (Ni Rλ^ym=fi ΣΚ Y^ijXj+bm(I) V1 V jJJ 其中，《…匕分别为输入层到隐含层的权值、阈值wmi，bm分别为隐含层到输出层的权值、阈值；j = l，2，...，R，i=l，2，...，N，m=l，2，…，K ;(二)最大熵神经网络的反向递推算法 传统的BP(Back-piOpagating)神经网络训练目标是样本点的误差平方和最小，即 minE = (ym-dm)2 (2) ...
【专利技术属性】
技术研发人员：苏盈盈，胡文金，李太福，刘玉成，
申请(专利权)人：重庆科技学院，
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。