CN118709563B 一种基于机器学习的高熵合金涂层优化方法及系统 （北京科技大学）

一种基于机器学习的高熵合金涂层优化方本发明提供一种基于机器学习的高熵合金的机器学习模型建立输入与输出之间的映射关发明通过生成对抗网络生成训练数据解决数据2S5：通过所述训练数据对各个所述机器学习模S6：将所述预测模型作为多目标优化的代理模S201：计算各个所述材料描述符之间的斯皮尔曼相S202：当材料描述符之间的斯皮尔曼相关系S203：将保留下来的材料描述符输入至过嵌入递归特征消除算法的随机森林模型对材料描3S402：将所述第一噪声和所述第二噪声输入至基于神S405：将属性p与真实特征进行拼接构建真实数据，将]Ta]4存储器，所述存储器上存储有计算机可读指令，所述计算机5[0003]机器学习作为数据驱动的工具，已经应用于高熵合金材料设计与研发的各个领[0004]为了解决现有技术存在的缺少完整规范的高熵合金涂层数据集可以直接用于数6被处理器执行时实现如第一方面所述的基于机器学习的高熵合金[0024]图1为本发明实施例提供的一种基于机器学习的高熵合金涂层优化方法的流程示[0025]图2为本发明实施例提供的一种基于机器学习的高熵合金涂层优化系统的结构示[0031]参考说明书附图1，示出了本发明实施例提供的一种基于机器学习的高熵合金涂7[0032]参考说明书附图2，示出了本发明实施例提供的一种基于机器学习的高熵合金涂是终端或服务器。基于机器学习的高熵合金涂层优化方法的处理流程可以包括如下的步型的预测能力并揭示描述符和性能之间的内在8[0049]S203：将保留下来的材料描述符输入至嵌入递归特征消除算法的随机森林模型[0050]其中，嵌入递归特征消除算法的随机森林模型EmbeddedRecursiveFeatureEliminationwithRandomForests,RFE_RF)是一种用于特征选择的集成学习方法。该方法结合了递归特征消除(RecursiveFeatureElimination,RFE)和随机森林(Random[0058]需要说明的是，为适应当前数据集的特征，本文基于CGAN(conditionalGenerativeAdversarialNetwork，cGAN)提出二维去异质性条件生成对抗网络(2_dimensionaldeheterogeneityconditionsgenerateadversarialnetworks,2D_dhg[0064]在一种可能的实施方式中，生成对抗网络中的生成器与鉴别器的代价函数具体9[0068]相比于将整个特征作为输入，我们基于cGAN的框架提出了2D_dhgCGAN。在输入[0082]可选地，采用coefficientofdetermination(R2)作为机器学习模型的评价指[0090]其中，X表示参数变量，x1,x2,x3,x4,x5,x6,x7,x8,x9,x10分别表示10个参数，0,1]0,1]0,1][0110]其中，非支配排序遗传算法(NSGA_II,Non_dominatedSortingGeneticAlgorithmII)是一种专门用于多目标优化问题的遗传算法。它通过非支配排序和拥挤度[0115]参考说明书附图2，示出了本发明提供的一种基于机器学习的高熵合金涂层优化[0119]本发明提供的基于机器学习的高熵合金涂层优化系统20能够执行上述的基于机[0123]应理解，在本发明实施例中的处理器可以是中央处理单元(centralprocessingunit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read_速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(randomaccess机存取存储器(doubledatarateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器算机软件产品存储在一个存储介质中，包括若干[0136]本发明提供的一种计算机可读存储介质可以实现上述方法实施例的基于机器学[0142]