CN110910969A - 一种基于迁移学习的锡铋合金性能预测方法 - Google Patents
一种基于迁移学习的锡铋合金性能预测方法 Download PDFInfo
- Publication number
- CN110910969A CN110910969A CN201911225351.1A CN201911225351A CN110910969A CN 110910969 A CN110910969 A CN 110910969A CN 201911225351 A CN201911225351 A CN 201911225351A CN 110910969 A CN110910969 A CN 110910969A
- Authority
- CN
- China
- Prior art keywords
- tin
- bismuth alloy
- data
- performance prediction
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- JWVAUCBYEDDGAD-UHFFFAOYSA-N bismuth tin Chemical compound [Sn].[Bi] JWVAUCBYEDDGAD-UHFFFAOYSA-N 0.000 title claims abstract description 58
- 229910001152 Bi alloy Inorganic materials 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013526 transfer learning Methods 0.000 title claims abstract description 17
- 230000006870 function Effects 0.000 claims description 28
- 210000002569 neuron Anatomy 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 18
- 239000000203 mixture Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 229910045601 alloy Inorganic materials 0.000 claims description 3
- 239000000956 alloy Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 229910052718 tin Inorganic materials 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 229910052787 antimony Inorganic materials 0.000 claims description 2
- 229910052797 bismuth Inorganic materials 0.000 claims description 2
- 229910052802 copper Inorganic materials 0.000 claims description 2
- 230000002349 favourable effect Effects 0.000 claims description 2
- 229910052759 nickel Inorganic materials 0.000 claims description 2
- 229910052709 silver Inorganic materials 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 229910052725 zinc Inorganic materials 0.000 claims description 2
- 230000001902 propagating effect Effects 0.000 claims 1
- 238000013508 migration Methods 0.000 description 9
- 230000005012 migration Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012827 research and development Methods 0.000 description 5
- 229910000679 solder Inorganic materials 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- KHYBPSFKEHXSLX-UHFFFAOYSA-N iminotitanium Chemical compound [Ti]=N KHYBPSFKEHXSLX-UHFFFAOYSA-N 0.000 description 2
- 229910001000 nickel titanium Inorganic materials 0.000 description 2
- 229910001285 shape-memory alloy Inorganic materials 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 229940037003 alum Drugs 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004100 electronic packaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000004154 testing of material Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于迁移学习的锡铋合金性能预测方法，该方法通过构建深度信念网络，利用该模型，将学习到的先验知识迁移到新锡铋合金的特征学习中，对不同比例下的新型锡铋合金的性能进行预测，本发明利用已有的锡铋合金性能数据及预测模型的先验知识，在基于少量数据的实验情况下，能够有效降低深度学习算法由于样本量过少，不能有效学习到数据特征的问题；本发明方法利用迁移学习可以对新锡铋合金的对应性能进行预测，弥补了锡铋合金性能预测领域一定程度上的空缺；本发明方法实现的性能预测模型达到的预测率较未使用迁移学习的性能预测模型的预测率有了较大提高。
Description
技术领域
本发明涉及一种基于迁移学习的锡铋合金性能测试方法，属于锡铋合金性能预测建模领 域。
背景技术
近年来，锡铋系合金等无铅焊料在电子行业中的使用已成为必然趋势，广泛用于电子封 装的各级焊接过程中，有较好的润湿性。目前国内电子封装行业所用的无铅锡焊料技术配方 主要依赖美国和日本，以日本千住和美国阿尔法为代表的企业持有绝大部分无铅焊料专利权， 国内发展锡铋系无铅焊料受国外专利严重制约，当前迫切需要加速研发性能优异的锡铋系合 金系列产品，同时加速现有焊料产品的性能升级和工艺改进。由于锡铋系合金新产品和新工 艺的研发周期长，存在研发应用速度普遍不能满足市场和企业发展的需要，而且基于传统“试 错法”的研发模式，耗资巨大等问题。如何在已有研究成果基础上缩短材料研发周期、加速成 果应用，是锡铋系合金研发所面临的重要问题。
机器学习近两年在材料成分-工艺-性能的优化和预测上有了长足地进展。PaulRaccuglia利 用机器学习的支持向量机(SVM)，从“废弃”的数据中预测合成反应结果，采用决策树对SVM 预测结果再建模，使得新材料预测准确率为89％，获得了矾盐有机模板成功合成的三条新法 则，成为新的材料研发模式。Ni-Ti基形状记忆合金迟滞转变温度，通过机器学习算法预测元 素置换对其的影响，采用预测-实验-迭代的方法，在近80万种复杂的成分空间内，快速发现 了低迟滞转变温度合金成分。Chowdhury.S.G利用神经网络算法建立管线钢成分、加工参数、 屈服强度、抗拉强度与冲击功之间的关系模型，并以此模型为目标函数，利用多目标遗传算 法，成功获得了力学性能同时优化的管线钢成分和工艺参数的控制范围。
机器学习的特点就是只要有足够多可靠的样本数据信息，那么建立起来相应模型的预测 精度就会很高。但是，正因为这种需要大量数据才能高精度建模的方法，导致小样本下的机 器学习模型训练异常艰难。
发明内容
针对以上技术问题，本发明提供了一种基于迁移学习的锡铋合金性能预测方法，可以在 小样本的前提下，快速建立性能数据预测模型，节省开发时间与成本并达到高预测率。
本发明基于迁移学习的锡铋合金性能预测方法步骤如下：
1、基于tensorflow框架构建深度信念网络(DBN)；
所述深度信念网络是由多层限制性波尔兹蔓机(RBM)和一层BP网络组成的一种深层神 经网络，其中，RBM是一种随机网络，其包含可见层与隐藏层；可见层用于接收输入信号， 隐藏层用于提取特征；BP网络是一种利用误差反向传播算法进行训练的前馈型人工神经网 络。
2、将旧锡铋合金样本数据输入至深度信念网络中，训练出初始性能预测模型，其中旧锡铋合 金样本数据包括旧锡铋合金的组成、组成比例、拉伸力、拉伸速率、延伸率、抗拉强度，旧 锡铋合金是由Sn、Bi、Ag、Cu四种元素组成的合金；
所述训练出初始性能预测模型的训练过程由预训练和微调构成，步骤如下：
(1)预训练
①单独训练每一层限制性波尔兹蔓机，将数据输入到可见层，生成一个输入向量v，再通 过权值W传递给隐藏层，得到输出向量h，进而得到隐藏层所有节点值；
②根据下式求解限制性波尔兹蔓机的能量函数
上式中Wij为可见层神经元i到隐藏层神经元j的连接权值，bj为可见层第j个神经元的 偏置，ci为隐藏层第i个神经元的偏置；vj为见层中第j个神经元的状态；hi为隐藏层中第i 个神经元的状态；n是隐藏层神经元个数；m为可见层神经元个数；能量函数为初始性能预 测模型提供目标函数和目标解，使该模型能够最大限度的拟合输入数据和输出数据，从而有 利于该模型对数据特征进行学习；
③通过能量函数获得目标函数
其中b、c、w是相应的权重和偏置值，v是输入向量，h是输出向量；
④定义可见层和隐藏层的联合概率分布：
其中，Z为归一化因子，定义为：
⑤定义输入样本的概率分布：
⑥对输入样本的概率分布取似然函数，求解：
通过求解最大似然函数，拟合训练参数θ；
(2)微调
在深度信念网络的最后一层设置BP网络，用于接收限制性波尔兹蔓机的输出特征向量 作为其输入特征向量，再通过反向传播将错误信息自顶向下传播至每一层限制性波尔兹蔓机， 在迭代至误差小于8％后，完成对整个深度信念网络进行微调，即进而完成初始性能预测模型 的训练。
3、通过性能数据采集仪器采集新锡铋合金样本的数据，其中新锡铋合金样本数据包括新锡铋 合金的组成、组成比例、拉伸力、拉伸速率、延伸率、抗拉强度，新锡铋合金的组成中前三 个元素与旧锡铋合金相同，而第4个元素为Zn、Ni、Sb三种元素中的一种；
4、对新锡铋合金样本进行预处理
对步骤3新锡铋合金样本的数据进行数据预处理，按7:3的比例将新锡铋合金样本的数据 分为训练集和测试集；将训练集数据输入初始性能预测模型中进行再训练，得到更新后的性 能预测模型；
所述数据预处理是通过删除带有大量缺失值的数据组，或者用均值来补充数据组的单一缺 失值的方式来完成；
本步骤中的再训练参照步骤2中的训练过程进行。
所述再训练即为迁移学习的具体体现；迁移学习目标是将某个领域/任务(源域)上学习 到的知识/模式(数据)应用到不同的但相关领域/问题(目标域)的决策中；针对本次基于迁 移学习的锡铋合金性能预测方法，源域是已知的旧锡铋合金的组成与其对应的性能数据；数 据是利用深度信念网络建立起的锡铋合金性能预测模型；目标域是预测新锡铋合金的性能。 5、将测试集数据或待预测锡铋合金样本的组成及比例数据输入到步骤4更新后的性能预测模 型中，即可获得待预测锡铋合金样本的拉伸度和抗拉强度的结果。
若以测试集为测试数据时，预测的性能结果是拉伸度和抗拉强度，可以将预测结果与通 过性能数据采集仪器采集的性能数据进行对比，通过对比可以看出本发明预测方法的准确性。
本发明方法的优点和技术效果：
1、本发明方法能够有效降低深度学习算法由于样本量过少，不能有效学习到数据特征的 问题；
2、本发明方法利用迁移学习可以对较新颖的锡铋合金的对应性能进行预测，弥补了锡铋 合金性能预测领域一定程度上的空缺；
3、本发明方法实现的性能预测模型达到的预测率较未使用迁移学习的性能预测模型的预 测率有了较大提高。
附图说明
图1为本发明方法中神经网络图；
图2为迁移前和迁移后模型性能预测准确率对比图。
具体实施方式
下面通过实施例对本发明作进一步详细说明，但本发明保护范围不局限于所述内容。
实施例1：本基于迁移学习的锡铋合金性能预测方法如下：
1、构建深度信念网络
使用python语言并基于tensorflow框架构建DBN，见图1；
(1)加载深度信念网络库
在编程代码中导入以下包:urllib、math、tensorflow、numpy、utils、PIL；
(2)初始化一个DeepBeliefNetwork对象，并传入包括pretrain、rbm_layers，rbm_learning_rate 在内等参数；
(3)在DeepBeliefNetwork对象中又初始化n个RBM对象，其中设置dbn.sizes＝[100 100]；
其中，DBN中，系统随机变量的概率分布，即目标函数对应的能量关系为
Wij为可见层神经元i到隐藏层神经元j的连接权值，bj为可见层第j个神经元的偏置，ci为隐 藏层第i个神经元的偏置，vj为见层中第j个神经元的状态；hi为隐藏层中第i个神经元的状 态；n是隐藏层神经元个数；m为可见层神经元个数；
其中，RBM对应的能量函数为：
b、c、w是相应的权重和偏置值，v是输入向量，h是输出向量；
其中，可见层和隐藏层的联合概率分布：
2、收集112条旧锡铋合金样本数据，部分数据的内容如下表所示：
将上述112条数据录入CSV数据表格中，生成CSV数据文件，并将数据导入至DBN；
(1)使用tensorflow的tf.app.flags模块将CSV数据表格导入至深度信念网络中；
(2)调用.pretrain()函数对数据进行预训练；
(3)设定训练次数numepochs＝20；
(4)调用RBM类的.build_model()函数实现了在tensorflow中构建RBM；
(5)更新新batchsize＝100，设置学习速率＝1.0；
其中，输入样本的概率分布定义如下：
对输入样本的概率分布取似然函数，求解：
其中，在RBM中，对于某一个样本数据x，采用对比散度算法对其进行训练：
a、将x赋给显层v1，利用目标函数，计算出隐藏层中每个神经元被激活的概率P(h1|v1)；
b、从计算的概率分布中采取Gibbs抽取一个样本h1～P(h1|v1)；
c、用h1重构显层，即通过隐层反推到显层，利用下式计算显层中每一个神经元被激活的概 率P(v2|h1)；
d、从计算的概率分布中采取Gibbs抽取一个样本v2～P(v2|h1)；
e、通过v2，再次计算出隐层中每个神经元被激活的概率P(h2|v1)；
f、更新权重：
W←W+r(p(h1|v1)v1–p(h2|v2)v2)
b←b+r(v1-v2)
c←c+r(h1-h2)；
g、微调
在DBN的最后一层设置BP网络，用于RBM的输出特征向量作为其输入特征向量，再通 过反向传播将错误信息自顶向下传播至每一层RBM，完成微调整个深度信念网络，训练出初 始性能预测模型；
①将DBN训练得到的数据转换为NN的形式，即添加输出层；
②设置NN的阈值函数为Sigmoid函数，并且使得该函数输出值大于0.92，即控制误差小于 8％；
③使用反向传播训练NN；
④调用SupervisedModel类的fit()函数，与UnsupervisedModel类的fit()函数对模型进行调整。
3、通过SAT-5100型万能材料试验机测量新锡铋合金的性能数据，得到新样本数据后进行预 处理，共获得503条新数据，部分数据内容如下表，然后按7:3的比例，随机将新锡铋合金 数据分为训练集与测试集；将训练集数据输入初始性能预测模型中进行再训练，训练过程同 上，得到更新后的性能预测模型；
(1)使用.score()函数来计算测试集的准确率(accuracy)，score()函数继承自SupervisedModel 类；
(2)DBN.accuracy()函数实现非测试集外输入数据的准确率计算；
4、将测试集中的20组数据输入更新后的性能预测模型中进行延伸率和抗拉强度的预测，共 迭代实验30次，将实验预测结果准确率录入下表中，其中B(Y)为原始模型预测准确率， C(Y)为经过迁移学习后的模型预测准确率；通过OriginPro 8软件，根据下表绘制数据对比 曲线，见图2；根据记录结果，在迭代次数超过10次以后，可以看出经过迁移学习的性能预 测模型较之于未进行迁移学习的性能预测模型的准确率有了较大提高；
结果显示，迁移后模型预测值与实验测量值误差在正负2％-10％内；且迁移后的模型预 测值相对于迁移前模型预测值的结果误差30％-40％相比，有明显提高；部分结果如下表；
Claims (4)
1.一种基于迁移学习的锡铋合金性能预测方法，其特征在于，步骤如下：
(1)构建深度信念网络；
(2)将旧锡铋合金样本数据输入至深度信念网络中，训练出初始性能预测模型，其中旧锡铋合金样本数据包括旧锡铋合金的组成、组成比例、拉伸力、拉伸速率、延伸率、抗拉强度，旧锡铋合金是由Sn、Bi、Ag、Cu四种元素组成的合金；
(3)通过性能数据采集仪器采集新锡铋合金样本的数据，其中新锡铋合金样本数据包括新锡铋合金的组成、组成比例、拉伸力、拉伸速率、延伸率、抗拉强度，新锡铋合金的组成中前三个元素与旧锡铋合金相同，而第4个元素为Zn、Ni、Sb三种元素中的一种；
(4)对新锡铋合金样本进行预处理
对步骤(3)新锡铋合金样本的数据进行数据预处理，将新锡铋合金样本的数据分为训练集和测试集；将训练集数据输入初始性能预测模型中进行再训练，得到更新后的性能预测模型；
(5)将测试集数据或待预测锡铋合金样本的组成及比例数据输入到步骤(4)更新后的性能预测模型中，即可预测出该锡铋合金样本的延伸率和抗拉强度的值。
2.根据权利要求1所述的基于迁移学习的锡铋合金性能预测方法，其特征在于：深度信念网络是由多层限制性波尔兹蔓机和一层BP网络组成的一种深层神经网络，其中，限制性波尔兹蔓机是一种随机网络，其包含可见层与隐藏层；可见层用于接收输入信号，隐藏层用于提取特征；BP网络是一种利用误差反向传播算法进行训练的前馈型人工神经网络。
3.根据权利要求1所述的基于迁移学习的锡铋合金性能预测方法，其特征在于，步骤(2)中训练出初始性能预测模型的训练过程由预训练和微调构成，步骤如下：
(1)预训练
①单独训练每一层限制性波尔兹蔓机，将数据输入到可见层，生成一个输入向量v，再通过权值W传递给隐藏层，得到输出向量h，进而得到隐藏层所有节点值；
②根据下式求解限制性波尔兹蔓机的能量函数
上式中Wij为可见层神经元i到隐藏层神经元j的连接权值，bj为可见层第j个神经元的偏置，ci为隐藏层第i个神经元的偏置；vj为见层中第j个神经元的状态；hi为隐藏层中第i个神经元的状态；n是隐藏层神经元个数；m为可见层神经元个数；能量函数为初始性能预测模型提供目标函数和目标解，使该模型能够最大限度的拟合输入数据和输出数据，从而有利于该模型对数据特征进行学习；
③通过能量函数获得目标函数
其中b、c、w是相应的权重和偏置值，v是输入向量，h是输出向量，；
④定义可见层和隐藏层的联合概率分布：
其中，Z为归一化因子，定义为：
⑤定义输入样本的概率分布：
⑥对输入样本的概率分布取似然函数，求解：
通过求解最大似然函数，拟合训练参数θ；
(2)微调
在深度信念网络的最后一层设置BP网络，用于接收限制性波尔兹蔓机的输出特征向量作为其输入特征向量，再通过反向传播将错误信息自顶向下传播至每一层限制性波尔兹蔓机，在迭代至误差小于8％后，完成对整个深度信念网络进行微调，即完成初始性能预测模型的训练。
4.根据权利要求1所述的基于迁移学习的锡铋合金性能预测方法，其特征在于：步骤(4)中数据预处理是通过删除带有大量缺失值的数据组，或者用均值来补充数据组的单一缺失值的方式来完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911225351.1A CN110910969A (zh) | 2019-12-04 | 2019-12-04 | 一种基于迁移学习的锡铋合金性能预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911225351.1A CN110910969A (zh) | 2019-12-04 | 2019-12-04 | 一种基于迁移学习的锡铋合金性能预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110910969A true CN110910969A (zh) | 2020-03-24 |
Family
ID=69822122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911225351.1A Pending CN110910969A (zh) | 2019-12-04 | 2019-12-04 | 一种基于迁移学习的锡铋合金性能预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110910969A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149810A (zh) * | 2020-11-02 | 2020-12-29 | 常州微亿智造科技有限公司 | 基于深度学习金属注射成型烧结产品质量预测迁移方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326634A (zh) * | 2016-08-09 | 2017-01-11 | 浙江工业大学 | 一种基于深度信念网络的医院门诊量预测方法 |
| CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
| US20180082044A1 (en) * | 2015-04-01 | 2018-03-22 | Oxford University Innovation Limited | Method for designing alloys |
| CN109102126A (zh) * | 2018-08-30 | 2018-12-28 | 燕山大学 | 一种基于深度迁移学习的理论线损率预测模型 |
| CN110516757A (zh) * | 2019-09-02 | 2019-11-29 | 广东工业大学 | 一种变压器故障检测方法及相关装置 |
-
2019
- 2019-12-04 CN CN201911225351.1A patent/CN110910969A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180082044A1 (en) * | 2015-04-01 | 2018-03-22 | Oxford University Innovation Limited | Method for designing alloys |
| CN106326634A (zh) * | 2016-08-09 | 2017-01-11 | 浙江工业大学 | 一种基于深度信念网络的医院门诊量预测方法 |
| CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
| CN109102126A (zh) * | 2018-08-30 | 2018-12-28 | 燕山大学 | 一种基于深度迁移学习的理论线损率预测模型 |
| CN110516757A (zh) * | 2019-09-02 | 2019-11-29 | 广东工业大学 | 一种变压器故障检测方法及相关装置 |
Non-Patent Citations (4)
| Title |
|---|
| HIRONAO YAMADA: "Predicting Materials Properties with Little Data Using Shotgun Transfer Learning", 《ACS CENT. SCI.》 * |
| MEHMET SIRAC OZERDEM: "Artificial neural network approach to predict the mechanical properties of Cu–Sn–Pb–Zn–Ni cast alloys", 《MATERIALS AND DESIGN》 * |
| 王攀: "《优化与控制中的软计算方法研究》", 31 January 2017, 湖北科学技术出版社 * |
| 高志强: "《深度学习 从入门到实战》", 中国铁道出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149810A (zh) * | 2020-11-02 | 2020-12-29 | 常州微亿智造科技有限公司 | 基于深度学习金属注射成型烧结产品质量预测迁移方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sathish | Prediction of springback effect by the hybridisation of ANN with PSO in wipe bending process of sheet metal | |
| CN111241952B (zh) | 一种离散制造场景中的强化学习奖励自学习方法 | |
| CN111047085B (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
| CN109146156B (zh) | 一种用于预测充电桩系统充电量的方法 | |
| CN105893694A (zh) | 一种基于重采样粒子群优化算法的复杂系统设计方法 | |
| CN108596327A (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
| GB2600213A (en) | Plate performance prediction method and apparatus | |
| CN113408648A (zh) | 一种结合深度学习的机组组合计算方法 | |
| CN113420508B (zh) | 一种基于lstm的机组组合计算方法 | |
| Ye et al. | Cascaded GMDH-wavelet-neuro-fuzzy network | |
| CN110930996A (zh) | 模型训练方法、语音识别方法、装置、存储介质及设备 | |
| CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
| CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| CN110018675A (zh) | 基于lwdnn-arx模型的非线性系统建模方法 | |
| CN111784595A (zh) | 一种基于历史记录的动态标签平滑加权损失方法及装置 | |
| CN110738363B (zh) | 一种光伏发电功率预测方法 | |
| CN110910969A (zh) | 一种基于迁移学习的锡铋合金性能预测方法 | |
| CN107798384B (zh) | 一种基于可进化脉冲神经网络的鸢尾花卉分类方法和装置 | |
| Ma et al. | Temporal pyramid recurrent neural network | |
| CN117291069A (zh) | 一种基于改进de与注意力机制的lstm污水水质预测方法 | |
| Sespajayadi et al. | Technical data analysis for movement prediction of Euro to USD using Genetic Algorithm-Neural Network | |
| Strasser et al. | An Approach for Adaptive Parameter Setting in Manufacturing Processes. | |
| CN116680976A (zh) | 基于机器学习的增材制造金属材料逆向设计方法 | |
| CN110766144B (zh) | 基于多层分解模糊神经网络的原子之间标量耦合常数预测系统 | |
| CN114611673A (zh) | 神经网络压缩方法、装置、设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |