CN116364211B 一种基于经验参数和卷积神经网络结合元素周期表提取特征的高熵合金机器学习相预测方法及装置 （哈尔滨理工大学）

US2023039900A1,2023.0一种基于经验参数和卷积神经网络结合元素周期表提取特征的高熵合金机器学习相预测本发明提供一种基于经验参数和卷积神经网络结合元素周期表提取特征的高熵合金机器的元素周期表形式的二维伪图像进行自动提取经网络提取的特征进行合并并基于遗传算法进最优特征组合作为步骤二中选出的最优模型的通过本发明方法得到的高熵合金相预测模型具21.一种基于经验参数和卷积神经网络结合元素周期表提取特征的高熵合金机器学习步骤一、收集高熵合金相分类数据，数据中包含每一度构成的成分信息以及每一个高熵合金的相标签，然后由成分信息根据公式计算经验参步骤三、根据高熵合金成分信息将每一个高熵合金首先给每一个高熵合金分配一个9*18的矩阵，对应元素周期表，步骤五、将所有经验参数和步骤四中自动提取的特2.根据权利要求1所述的方法，其特征在于：步骤一中所述高熵合金包含五十三种元Hmix4.根据权利要求1所述的方法，其特征在于：步骤四中所述卷积神经网络模型结构包3化，池化窗口为2*2，步长为2；平展层包含192个神经元，输出层包含4个神经元，采用Softmax激活函数；反向传播中使用稀疏分类交叉熵损失函数(sparse_categorical_6.一种基于经验参数和卷积神经网络结合元素周期表提取特征的高熵合金机器学习获取单元，用于收集高熵合金相分类数据，数据中包含每一个高采用经验参数作为输入，构建五个传统机器学习模型，采用三首先，根据高熵合金成分信息将每一个高熵合金数据映射成输入到训练好的卷积神经网络模型中，并且提取出平展层中输出的192维向量作为卷积神特征筛选单元，用于将经验参数和卷积神经网络提取的机器学习模型训练单元，用于将特征筛选单元中得到的最优特征组合输相组成检测单元，用于将待检测样本输入至机器学习模型训练mix4HmixSoftmax激活函数；反向传播中使用稀疏分类交叉熵损失函数(sparse_categorical_5神经网络结合元素周期表提取特征的高熵合金含了人类对于高熵合金相组成的认识，应该将经验参数与自动提取的特征有机的结合起6[0014]进一步地，步骤一中所述高熵合金包含四个类别的相标签，分别为固溶体相(SSmix7[0021]一种基于经验参数和卷积神经网络结合元素周期表提取特征的高熵合金机器学图像输入到训练好的卷积神经网络模型中，并且提取出平展层中输出的192维向量作为卷mix8[0035]本发明是一种基于经验参数和卷积神经网络结合元素周期表提取特征的高熵合金机器学习相预测方法及装置。首先根据经验知识构建与高熵合金相分类相关的经验参[0039]图2为本发明实施例中三种输入特征下，机器学习模型对高熵合金相组成的预测[0040]图3为本发明实施例中一种基于经验参数和卷积神经网络结合元素周期表提取特92)；[0063]从图2可以看出，本发明方法的模型相较于仅仅使用经验参数和仅仅使用卷积神[0065]本实施例提供一种基于经验参数和卷积神经网络结合元素周期表提取特征的高图像输入到训练好的卷积神经网络模型中，并且提取出平展层中输出的192维向量作为卷mixHmixmix[0078]本实施例所述的一种基于经验参数和卷积神经网络结合元素周期表提取特征的高熵合金机器学习相预测装置的功能可以由前述一种基于经验参数和卷积神经网络结合seconstitutionpredictioninhighentropyalloys.Comput.Mater.Sci.2022,2