CN111767518B - Awcc的参数数值确定方法、装置、设备及计算机存储介质 - Google Patents

Awcc的参数数值确定方法、装置、设备及计算机存储介质 Download PDF

Info

Publication number
CN111767518B
CN111767518B CN202010505563.1A CN202010505563A CN111767518B CN 111767518 B CN111767518 B CN 111767518B CN 202010505563 A CN202010505563 A CN 202010505563A CN 111767518 B CN111767518 B CN 111767518B
Authority
CN
China
Prior art keywords
parameter value
detection efficiency
neutron detection
awcc
determining
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.)
Active
Application number
CN202010505563.1A
Other languages
English (en)
Other versions
CN111767518A (zh
Inventor
李多宏
李达
王端
韦子豪
侯丞
陈晨
刘立坤
周志波
杨丽芳
谭西早
武朝辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Graduate Department Of Nuclear Industry
State Nuclear Security Technology Center
Original Assignee
Graduate Department Of Nuclear Industry
State Nuclear Security Technology Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Graduate Department Of Nuclear Industry, State Nuclear Security Technology Center filed Critical Graduate Department Of Nuclear Industry
Priority to CN202010505563.1A priority Critical patent/CN111767518B/zh
Publication of CN111767518A publication Critical patent/CN111767518A/zh
Application granted granted Critical
Publication of CN111767518B publication Critical patent/CN111767518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Genetics & Genomics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measurement Of Radiation (AREA)

Abstract

本发明实施例提供了一种AWCC的参数数值确定方法、装置、设备及计算机存储介质。该AWCC的参数数值确定方法，包括：获取AWCC的目标参数的β个参数数值和参数数值对应的中子探测效率；基于每个参数数值对应的中子探测效率，确定各个参数数值对应的选择概率；生成随机数，并选择与随机数对应的选择概率所对应的参数数值，得到第一目标参数数值；利用遗传算法对每个第一目标参数数值进行交叉操作和/或变异操作，得到δ个第二目标参数数值；确定每个第二目标参数数值的中子探测效率；将最大中子探测效率对应的第二目标参数数值确定为AWCC的目标参数的最终数值。该发明实施例，能够确定出AWCC的全局最优参数数值，提高其中子探测效率。

Description

AWCC的参数数值确定方法、装置、设备及计算机存储介质
技术领域
本发明属于参数数值确定技术领域，尤其涉及一种有源阱型中子符合计数器(active well coincidence counter，AWCC)的参数数值确定方法、装置、电子设备及计算机存储介质。
背景技术
AWCC是一种用于探测中子的探测器。为了提高AWCC的中子探测效率，相关技术中对AWCC的结构(例如，AWCC的环状分布半径、环状分布层数、AWCC中He-3管探测器的数目等结构)进行了设计。在设计这些结构的过程中，通常将这些结构的参数依据个人经验设置3～5个值，生成的方案仅有几十个。由于样本空间小，故从中难以确定出AWCC的全局最优参数数值。
因此，如何确定出AWCC的全局最优参数数值，以提高其中子探测效率，是本领域技术人员亟需解决的技术问题。
发明内容
本发明实施例提供一种AWCC的参数数值确定方法、装置、电子设备及计算机存储介质，能够确定出AWCC的全局最优参数数值，以提高其中子探测效率。
第一方面，本发明实施例提供一种AWCC的参数数值确定方法，包括：
获取AWCC的目标参数的β个参数数值和每个参数数值对应的中子探测效率；其中，β为正整数；
基于每个参数数值对应的中子探测效率，确定各个参数数值对应的选择概率；其中，选择概率正比于中子探测效率；
生成随机数，并选择与随机数对应的选择概率所对应的参数数值，得到至少一个第一目标参数数值；
利用遗传算法对每个第一目标参数数值进行交叉操作和/或变异操作，得到δ个第二目标参数数值；其中，δ为大于β的正整数；
确定每个第二目标参数数值的中子探测效率；
比较各个第二目标参数数值的中子探测效率的大小，将最大中子探测效率对应的第二目标参数数值确定为AWCC的目标参数的最终数值。
可选的，当β为大于1的正整数时，则获取AWCC的目标参数的β个参数数值和每个参数数值对应的中子探测效率，包括：
获取AWCC的目标参数的γ个参数数值；其中，γ为小于β的正整数；
依据预设的参数数值生成策略，基于γ个参数数值，生成β个参数数值；
确定每个参数数值对应的中子探测效率。
可选的，依据预设的参数数值生成策略，基于γ个参数数值，生成β个参数数值，包括：
依据预设的均匀抽样算法，基于γ个参数数值，生成β个参数数值。
可选的，确定每个参数数值对应的中子探测效率，包括：
利用蒙特卡罗算法，确定每个参数数值对应的中子探测效率。
可选的，确定每个参数数值对应的中子探测效率，包括：
针对每个参数数值，将参数数值输入神经网络模型，输出参数数值对应的中子探测效率；其中，神经网络模型是利用训练样本集对神经网络进行模型训练得到的，训练样本集包括多个训练样本，每个训练样本包括样本参数数值和样本参数数值对应的样本中子探测效率。
可选的，针对每个参数数值，将参数数值输入神经网络模型，输出参数数值对应的中子探测效率之前，方法还包括：
获取目标参数的多个样本参数数值；
利用蒙特卡罗算法，确定每个样本参数数值对应的样本中子探测效率；
针对每一个样本参数数值，将样本参数数值和样本参数数值对应的样本中子探测效率作为一个训练样本，得到训练样本集；
利用训练样本集对神经网络进行模型训练，得到神经网络模型。
可选的，利用训练样本集对神经网络进行模型训练，得到神经网络模型，包括：
针对每个训练样本，分别执行以下步骤：
将样本参数数值和样本参数数值对应的样本中子探测效率输入神经网络，得到预测中子探测效率；
基于预测中子探测效率和样本中子探测效率，判断神经网络是否满足预设训练停止条件；
若不满足，则调整神经网络的模型参数，并利用训练样本集训练调整后的神经网络，直至满足预设训练停止条件，得到神经网络模型。
可选的，目标参数包括：
AWCC中管探测器的分布方式、长度、形状、角度及AWCC的体积、重量中的至少一种。
第二方面，本发明实施例提供了一种AWCC的参数数值确定装置，包括：
获取模块，用于获取AWCC的目标参数的β个参数数值和每个参数数值对应的中子探测效率；其中，β为正整数；
第一确定模块，用于基于每个参数数值对应的中子探测效率，确定各个参数数值对应的选择概率；其中，选择概率正比于中子探测效率；
选择模块，用于生成随机数，并选择与随机数对应的选择概率所对应的参数数值，得到至少一个第一目标参数数值；
操作执行模块，用于利用遗传算法对每个第一目标参数数值进行交叉操作和/或变异操作，得到δ个第二目标参数数值；其中，δ为大于β的正整数；
第二确定模块，用于确定每个第二目标参数数值的中子探测效率；
第三确定模块，用于比较各个第二目标参数数值的中子探测效率的大小，将最大中子探测效率对应的第二目标参数数值确定为AWCC的目标参数的最终数值。
可选的，当β为大于1的正整数时，则获取模块，用于获取AWCC的目标参数的γ个参数数值；其中，γ为小于β的正整数；依据预设的参数数值生成策略，基于γ个参数数值，生成β个参数数值；确定每个参数数值对应的中子探测效率。
可选的，获取模块，用于依据预设的均匀抽样算法，基于γ个参数数值，生成β个参数数值。
可选的，获取模块，用于利用蒙特卡罗算法，确定每个参数数值对应的中子探测效率。
可选的，获取模块，用于针对每个参数数值，将参数数值输入神经网络模型，输出参数数值对应的中子探测效率；其中，神经网络模型是利用训练样本集对神经网络进行模型训练得到的，训练样本集包括多个训练样本，每个训练样本包括样本参数数值和样本参数数值对应的样本中子探测效率。
可选的，还包括模型训练模块，用于获取目标参数的多个样本参数数值；利用蒙特卡罗算法，确定每个样本参数数值对应的样本中子探测效率；针对每一个样本参数数值，将样本参数数值和样本参数数值对应的样本中子探测效率作为一个训练样本，得到训练样本集；利用训练样本集对神经网络进行模型训练，得到神经网络模型。
可选的，模型训练模块，用于针对每个训练样本，分别执行以下步骤：将样本参数数值和样本参数数值对应的样本中子探测效率输入神经网络，得到预测中子探测效率；基于预测中子探测效率和样本中子探测效率，判断神经网络是否满足预设训练停止条件；若不满足，则调整神经网络的模型参数，并利用训练样本集训练调整后的神经网络，直至满足预设训练停止条件，得到神经网络模型。
可选的，目标参数包括AWCC中管探测器的分布方式、长度、形状、角度及AWCC的体积、重量中的至少一种。
第三方面，本发明实施例提供了一种电子设备，电子设备包括：
处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现第一方面或者第一方面任一可选的实现方式中的AWCC的参数数值确定方法。
第四方面，本发明实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面或者第一方面任一可选的实现方式中的AWCC的参数数值确定方法。
本发明实施例的AWCC的参数数值确定方法、装置、电子设备及计算机存储介质，能够确定出AWCC的全局最优参数数值，以提高其中子探测效率。本申请实施例提供的AWCC的参数确定方法，基于每个参数数值对应的中子探测效率，确定各个参数数值对应的选择概率；其中，选择概率正比于中子探测效率；生成随机数，并选择与随机数对应的选择概率所对应的参数数值，得到至少一个第一目标参数数值；利用遗传算法对每个第一目标参数数值进行交叉操作和/或变异操作，得到δ个第二目标参数数值；确定每个第二目标参数数值的中子探测效率；比较各个第二目标参数数值的中子探测效率的大小，将最大中子探测效率对应的第二目标参数数值确定为AWCC的目标参数的最终数值。由于遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，故能够确定出AWCC的全局最优参数数值，以提高其中子探测效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种AWCC的参数数值确定方法的流程示意图；
图2是本发明实施例提供的一种AWCC中He-3管探测器的分布方式示意图；
图3是本发明实施例提供的一种AWCC的最优排布方式确定流程示意图；
图4是本发明实施例提供的另一种AWCC中He-3管探测器的分布方式示意图；
图5是本发明实施例提供的一种抽样样本散点分布示意图；
图6是本发明实施例提供的一种抽样样本柱状分布示意图；
图7是本发明实施例提供的一种DNN网络结构示意图；
图8是本发明实施例提供的一种DNN网络收敛示意图；
图9是本发明实施例提供的一种适应度随各个算子的变化示意图；
图10是本发明实施例提供的一种遗传算法搜索过程中适应度变化示意图；
图11是本发明实施例提供的一种遗传算法搜索到的最优排布方式示意图；
图12是本发明实施例提供的一种AWCC的参数数值确定装置的结构示意图；
图13是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
AWCC是一种用于探测中子的探测器。为了提高AWCC的中子探测效率，相关技术中对AWCC的结构(例如，AWCC的环状分布半径、环状分布层数、AWCC中He-3管探测器的数目等结构)进行了设计。在设计这些结构的过程中，通常将这些结构的参数依据个人经验设置3～5个值，生成的方案仅有几十个。由于样本空间小，故从中难以确定出AWCC的全局最优参数数值。
为了解决现有技术问题，本发明实施例提供了一种AWCC的参数数值确定方法、装置、电子设备及计算机存储介质。下面首先对本发明实施例所提供的AWCC的参数数值确定方法进行介绍。
图1示出了本发明实施例提供的一种AWCC的参数数值确定方法的流程示意图。如图1所示，该AWCC的参数数值确定方法可以包括以下步骤：
S101、获取AWCC的目标参数的β个参数数值和每个参数数值对应的中子探测效率；其中，β为正整数。
该目标参数可以包括：AWCC中管探测器的分布方式、长度、形状、角度及AWCC的体积、重量中的至少一种。
在一个实施例中，当β为大于1的正整数时，则获取AWCC的目标参数的β个参数数值和每个参数数值对应的中子探测效率，可以包括：
获取AWCC的目标参数的γ个参数数值；其中，γ为小于β的正整数；
依据预设的参数数值生成策略，基于γ个参数数值，生成β个参数数值；
确定每个参数数值对应的中子探测效率。
可选的，依据预设的参数数值生成策略，基于γ个参数数值，生成β个参数数值，可以包括：
依据预设的均匀抽样算法，基于γ个参数数值，生成β个参数数值。
为了准确地确定每个参数数值对应的中子探测效率，在一个实施例中，确定每个参数数值对应的中子探测效率，可以包括：
利用蒙特卡罗算法，确定每个参数数值对应的中子探测效率。
为了快速准确地确定每个参数数值对应的中子探测效率，在一个实施例中，确定每个参数数值对应的中子探测效率，可以包括：
针对每个参数数值，将参数数值输入神经网络模型，输出参数数值对应的中子探测效率；其中，神经网络模型是利用训练样本集对神经网络进行模型训练得到的，训练样本集包括多个训练样本，每个训练样本包括样本参数数值和样本参数数值对应的样本中子探测效率。
在一个实施例中，在针对每个参数数值，将参数数值输入神经网络模型，输出参数数值对应的中子探测效率之前，还可以包括：
获取目标参数的多个样本参数数值；
利用蒙特卡罗算法，确定每个样本参数数值对应的样本中子探测效率；
针对每一个样本参数数值，将样本参数数值和样本参数数值对应的样本中子探测效率作为一个训练样本，得到训练样本集；
利用训练样本集对神经网络进行模型训练，得到神经网络模型。
为了得到精准的神经网络模型，在一个实施例中，利用训练样本集对神经网络进行模型训练，得到神经网络模型，可以包括：
针对每个训练样本，分别执行以下步骤：
将样本参数数值和样本参数数值对应的样本中子探测效率输入神经网络，得到预测中子探测效率；
基于预测中子探测效率和样本中子探测效率，判断神经网络是否满足预设训练停止条件；
若不满足，则调整神经网络的模型参数，并利用训练样本集训练调整后的神经网络，直至满足预设训练停止条件，得到神经网络模型。
S102、基于每个参数数值对应的中子探测效率，确定各个参数数值对应的选择概率；其中，选择概率正比于中子探测效率。
S103、生成随机数，并选择与随机数对应的选择概率所对应的参数数值，得到至少一个第一目标参数数值。
S104、利用遗传算法对每个第一目标参数数值进行交叉操作和/或变异操作，得到δ个第二目标参数数值；其中，δ为大于β的正整数。
S105、确定每个第二目标参数数值的中子探测效率。
S106、比较各个第二目标参数数值的中子探测效率的大小，将最大中子探测效率对应的第二目标参数数值确定为AWCC的目标参数的最终数值。
本申请实施例提供的AWCC的参数确定方法，基于每个参数数值对应的中子探测效率，确定各个参数数值对应的选择概率；其中，选择概率正比于中子探测效率；生成随机数，并选择与随机数对应的选择概率所对应的参数数值，得到至少一个第一目标参数数值；利用遗传算法对每个第一目标参数数值进行交叉操作和/或变异操作，得到δ个第二目标参数数值；确定每个第二目标参数数值的中子探测效率；比较各个第二目标参数数值的中子探测效率的大小，将最大中子探测效率对应的第二目标参数数值确定为AWCC的目标参数的最终数值。由于遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，故能够确定出AWCC的全局最优参数数值，以提高其中子探测效率。
下面以一个AWCC中管探测器的分布方式为例进行说明，具体如下：
AWCC最早由美国洛斯阿拉莫斯国家实验室设计(文献1)，如图2所示，包含42支He-3管探测器，以两个不同半径的同心环形分布在内腔与外壁之间的聚乙烯介质之中。每个环上均有21支He-3管，绕AWCC的中轴成等角度均匀分布；单根He-3管直径为2.54cm，有效长度为51cm，管内压强为4个标准大气压；在快中子的主动测量模式下，针对标准Cf-252中子源的探测效率约为25％(模拟计算的结果为22.2998％)。
现有的AWCC优化设计研究，通常基于上述AWCC的He-3管环状分布模式，通过改变环状分布半径、环状分布层数或He-3管数目等参数构建不同的AWCC候选方案，并利用MCNP等蒙特卡洛程序计算探测器效率，从而找出探测效率最高的方案、实现AWCC的设计优化。
本发明实施例所提出的AWCC优化方法，将使用全新的人工智能算法来验证或者寻找He-3管最佳的排布方式：实现AWCC探测器的MCNP输入卡自动生成、模拟计算和结果分析等一系列流程，便于大量AWCC候选方案的产生和评价；对排布方案进行均匀抽样，跳出传统的He-3管环状分布模式，生成更具普遍性的数据样本(He-3管排布方式及其中子探测效率)供人工智能算法学习；使用深度神经网络(DNN)拟合He-3管排布方式和中子探测效率之间的关系函数、使用遗传算法优化AWCC中He-3管的排布方式，其优化结果相比于传统方法更加准确可靠，且一定程度上摆脱了对经验的依赖。
如图3所示，本发明实施例提供的一种AWCC的最优排布方式确定流程示意图。由图3可知，整个流程主要由抽样与数据生成、神经网络模拟与遗传算法筛选等三个阶段组成，抽样策略为了得到可以用以训练神经网络模型的训练数据，其中使用MCNP6进行数值计算(模拟)，神经网络模型为取代实验、数值模拟达到快速计算的目的，而遗传算法则用于大规模、快速搜索最优解。
在抽样与数据生成阶段，先确定设备尺寸，分析He-3管排布区域数据，设计均匀抽样算法，生成大量MCNP6输入卡，使用MCNP6进行数值计算(模拟)，获得“He-3排布——AWCC探测效率”数据，可用于训练神经网络。
在神经网络模拟阶段，利用训练集训练神经网络，得到“He-3管排布——AWCC探测效率”预测模型，再利用测试集判断该模型是否满足停止条件。若不满足停止条件，则继续训练；若满足停止条件，则得到适应度值计算函数。
在遗传算法筛选阶段，进行种群初始化，也即随机生成m组排布方式，计算适应度值，记录最优排布方式和全局最优排布方式，再进行选择(复制)、交叉和变异得到新种群。判断是否满足停止条件，若不满足停止条件，则重新返回计算适应度值的步骤，若满足停止条件，则输出最优排布方案。
下面对上述三个阶段进行具体介绍：
一、抽样与数据生成
为了实现He-3管排布优化策略，需要设计排布方案的均匀抽样算法，以获取1000组可以使用的学习样本，然后使用蒙卡方法模拟计算其总的探测效率。
抽样过程如下：在圆环区域内将42个圆围绕原点(也就是这个容器的圆心)均匀排布，即相邻两个圆对原点的夹角都是而各圆心到原点的距离进行均匀抽样。
具体算法：
1、首先计算等效氦管半径r：
等效氦管半径r＝He管半径r0+最小的间距限制dmin/2
最小间距取为原设备最小间距的1/2：
故等效氦管半径r：
2、计算圆环区域
可以排布氦管的区域：
3、在圆环内均匀抽样
a.抽取到圆心距离，利用圆环内均匀抽样的方法获得。
b.从与y轴夹角0°的方向开始，第一个圆心按照上述a步骤选取。第二个圆心与y轴夹角为θ，保证不与前一个圆(即第一个圆)重叠的前提下，按照上述a步骤选取。接下来的40个均如此执行。但最后一个也就第42个圆，还需保证与第一个圆不重叠。如图4所示，图4中的圆均不重叠。
4、根据上述步骤3可以获得一个样本，重复过程1000次可以获得1000个样本。记录每个样本的42组坐标，保存。
5、抽样结果，设He-3管的圆心到原点的平均距离为avg，距离方差var，则
avg＝180.81mm,var＝733.9mm2
6、抽样情况如图5和图6所示，图5中横坐标为散点编号，纵坐标是每个散点对应的到设备中心点的距离，单位mm；图5表示所有(1000×42)抽样距离(以散点方式)在R0到R1的分布，可见整体分布比较均匀。图6的横坐标为散点到设备中心的距离(mm)，纵坐标为散点数量。图6统计了各个距离分段的数量，可见各个分段相当，说明抽样较为均匀。
二、神经网络模拟
为了能够更为迅速地计算(预测)不同排布方式下AWCC的探测效率，使用DNN算法进行建模，利用第一步骤获得的数据进行模型训练。DNN网络结构如图7所示，最左边为输入层，中间包括3个隐藏层，最右边为输出层。
将坐标转换为距离数值即可作为输入，不需要进行特征处理。He-3管的位置由其圆心决定，使用极坐标表示一个He-3管的圆心的位置。则由上述抽样方法可知，某个确定次序的He-3管的圆心由其距原点(设备中心点)距离r决定。因此，输入将由42维向量组成，其每个元素表示一个He-3管圆心距原点的距离的大小：r1,r2,r3,r4,…,r39,r40,r41,r42。
输出为1维，表示AWCC的中子探测效率。
将数据集中40％(约400个)划归测试集，剩余为训练集。调参确定网络的结构、训练等参数，最终对网络进行8000次迭代计算，得到训练良好的神经网络模型。网络收敛情况如图8所示，测试集在8000次迭代之后不再改变，故停止迭代，其中loss、val_loss、mae、val_mae分别表示网络的在训练集的损失函数值、在测试集的损失函数值、在训练集的平均绝对误差、在测试集的平均绝对误差；mape、val_mape、maxe、val_maxe分别表示网络的在训练集的平均相对误差、在测试集的平均相对误差、在训练集的最大相对误差、在测试集的最大相对误差。
表1给出了最终网络模型的参数和具体训练结果，其相对误差均小于1.5％，神经网络拟合的精度良好，预测的结果可靠。
表1神经网络的技术参数与训练数据
三、遗传算法筛选
为了从几乎无限种排布方式中，搜索最佳的排布方式，也即使得探测效率最大的方式，将基于遗传算法进行。对于输入 其中的每一个元素(即He-3管圆心到设备中心的距离ri,i＝1,2,…,42)应该满足一定的条件才能使其中的任意两个圆不相重叠。根据余弦定理，可以计算两个圆心的距离L：
∴|ri-rj|≥Lmin＝2r
其中，
ri,rj∈[R0,R1]
因此，粗略地要求是相邻的两个距离至少相差一个He管的等效直径。
为更清晰阐述基于遗传算法搜索的过程，表2对遗传算法的一些概念，符号给出简单说明。
表2遗传算法的一些参数说明
设置种群数量m个，则其坐标集合Tm＝(r1,r2,…,r42)m，遗传算法对Tm进行一系列变换，使平均适应度不断上升，并在其中获得使适应度最优的解。第一步进行选择，使用比例选择方法选择，个体适应度值高的个体被选择作为下一代的概率高，个体适应度值低的个体被选择作为下一代的概率低。Pj为一个个体被选择的概率，等于其对应的适应度fj所占的总适应度的比例。
第二步进行交叉操作，由于个体基因之间的距离有特殊限制，为了简便，一开始从个体基因组T中间开始尝试匹配，如果匹配上，则交叉。否则，向两边尝试，直到可以匹配或者证实该基因组无法匹配为止。算子控制条件用伪代码可以表示如下：
算法：
第三步进行变异操作，同样是基于相邻基因距离的限制，给所有基因组上的基因相同的变异概率，如果发生变异，其随机变异区域Ω则由其两边的基因决定。
ri′∈{r*||ri-1-r*|≥2r,|ri+1-r*|≥2r}.
其中，r*为等效半径，ri′表示变异后的第i个坐标，ri-1、ri+1分别为第i-1，i+1个坐标，因此i＝2,3,…,41。
图9示出了各选择、交叉及变异算子对适应度(探测效率)的影响情况，在经历三个算子的操作后个种群的适应度值不断提高，反映了三个算子对搜索效率的积极影响。
四、实验结果
利用遗传算法搜索时，设置种群规模(即m)为32～128，迭代200～1000次，进行多次最优解的搜索。图10、图11、表3给出一个最优解产生的过程，图10为搜索过程中适应度(即探测效率)的变化情况，图10中，实线为全局最大适应度的变化情况，即所有排布方式中的最大值，点虚线为当前种群的最大适应度值，即当前m个排布方式中最大值，虚线为平均适应度值，即当前m个排布的平均适应度值。图11则是根据坐标绘制出的排布方案示意图，表3为图11各个He-3管圆心对应的直角坐标(以设备中心为圆心)。
表3最优排布方案的坐标
因为搜索速度快，可以进行多次搜索，获得多个最优解。表4是其中三个最优解，即计算出来的探测效率最高的三种情况，这三种解在不同种群规模、迭代次数下获得的。相对于原效率，在误差范围内都是更优的，对应的具体排布(ri,i＝1,2,…,42)在表5中列出。
表4遗传算法得到的3个最优测探效率
次序 种群数量(m) 迭代次数 最优测探效率/％ 高于原效率/％
1 128 200 23.56±1.06 5.65±4.75
2 64 400 23.49±1.06 5.34±4.75
3 32 1000 23.52±1.06 5.47±4.75
表5 3个最优探测效率对应的排布(距离向量)
在AWCC的42个He-3管排布设计中，使用蒙卡方法对He-3管排布进行抽样，并使用MCNP计算出此排布方式下AWCC探测器效率，可生成足够多的“排布方式-探测效率”对作为原数数据；创造性地引用人工智能算法，对原始数据使用深度神经网络算法进行分析，成功拟合了He-3管排布与探测效率的关系，据此关系和遗传算法进行He-3管最优排布方案的搜索。具体如下：
1、使用蒙特卡罗算法实现对圆环介质内He-3管排布的均匀抽样，产生批量数据。生成批量数据的方法是进行批量抽样，确定排布方式，自动生成批量的MCNP的输入文件，减少了重复设计MCNP输入文件的工作量。
2、使用神经网络算法建立排布方式与探测效率的映射关系。要获得排布方式与探测效率的关系，使用蒙特卡罗模拟或者做实验，通常都需要较长的时间，对于计算大规模的排布方式的探测效率来时，是无法承受的时间成本，因此，本发明通过神经网络，建立排布方式与探测效率的映射关系，利用有效原始数据训练模型，实现快速计算，从而解决了计算大规模排布方式的时间成本问题。
3、使用遗传算法快速筛选优化方案。He-3管排布方式数量理论上是无限的，即使利用神经网络实现快速计算，也无法穷举所有方式的探测效率，以对比获得全局最优的探测效率，从而获得最优的排布方式。因此，本发明根据He-3管排布的约束条件设计遗传算法，通过遗传算法高效搜索排布方式，从而通过有限的计算获得较为接近全局最优的排布方式。
4、该算法可适用于其他参数与探测效率关系的研究。该算法不仅适用于He-3排布方式，还可用于He-3长度、形状、角度等与探测效率关系的研究，具有通用性。
5、该算法可以拓展至多目标优化问题，通过修改遗传算法的优化目标和约束条件，该算法可拓展至综合考虑探测效率、设备成本、工艺难度等的多目标优化问题，满足产品商业化的实际需求。
6、利用非物理关系验证当前设计的优劣。基于纯粹数据(实验数据、模拟数据)建立数学模型进行计算分析，不需要依赖过多的专业知识，即可判断当前设备的He-3排布方式的探测效率是否属于最优。
如图12所示，本发明实施例还提供一种AWCC的参数数值确定装置，包括：
获取模块1201，用于获取AWCC的目标参数的β个参数数值和每个参数数值对应的中子探测效率；其中，β为正整数；
第一确定模块1202，用于基于每个参数数值对应的中子探测效率，确定各个参数数值对应的选择概率；其中，选择概率正比于中子探测效率；
选择模块1203，用于生成随机数，并选择与随机数对应的选择概率所对应的参数数值，得到至少一个第一目标参数数值；
操作执行模块1204，用于利用遗传算法对每个第一目标参数数值进行交叉操作和/或变异操作，得到δ个第二目标参数数值；其中，δ为大于β的正整数；
第二确定模块1205，用于确定每个第二目标参数数值的中子探测效率；
第三确定模块1206，用于比较各个第二目标参数数值的中子探测效率的大小，将最大中子探测效率对应的第二目标参数数值确定为AWCC的目标参数的最终数值。
可选的，在一个实施例中，当β为大于1的正整数时，则获取模块1201，用于获取AWCC的目标参数的γ个参数数值；其中，γ为小于β的正整数；依据预设的参数数值生成策略，基于γ个参数数值，生成β个参数数值；确定每个参数数值对应的中子探测效率。
可选的，在一个实施例中，获取模块1201，用于依据预设的均匀抽样算法，基于γ个参数数值，生成β个参数数值。
可选的，在一个实施例中，获取模块1201，用于利用蒙特卡罗算法，确定每个参数数值对应的中子探测效率。
可选的，在一个实施例中，获取模块1201，用于针对每个参数数值，将参数数值输入神经网络模型，输出参数数值对应的中子探测效率；其中，神经网络模型是利用训练样本集对神经网络进行模型训练得到的，训练样本集包括多个训练样本，每个训练样本包括样本参数数值和样本参数数值对应的样本中子探测效率。
可选的，在一个实施例中，还包括模型训练模块，用于获取目标参数的多个样本参数数值；利用蒙特卡罗算法，确定每个样本参数数值对应的样本中子探测效率；针对每一个样本参数数值，将样本参数数值和样本参数数值对应的样本中子探测效率作为一个训练样本，得到训练样本集；利用训练样本集对神经网络进行模型训练，得到神经网络模型。
可选的，在一个实施例中，模型训练模块，用于针对每个训练样本，分别执行以下步骤：将样本参数数值和样本参数数值对应的样本中子探测效率输入神经网络，得到预测中子探测效率；基于预测中子探测效率和样本中子探测效率，判断神经网络是否满足预设训练停止条件；若不满足，则调整神经网络的模型参数，并利用训练样本集训练调整后的神经网络，直至满足预设训练停止条件，得到神经网络模型。
可选的，在一个实施例中，目标参数包括AWCC中管探测器的分布方式、长度、形状、角度及AWCC的体积、重量中的至少一种。
图12所示装置中的各个模块具有实现图1中各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
图13示出了本发明实施例提供的一种电子设备的结构示意图。
电子设备可以包括处理器1301以及存储有计算机程序指令的存储器1302。
具体地，上述处理器1301可以包括中央处理器(Central Processing Unit，CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器1302可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器1302可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在一个实例中，存储器1302可以包括可移除或不可移除(或固定)的介质，或者存储器1302是非易失性固态存储器。存储器1302可在电子设备的内部或外部。
在一个实例中，存储器1302可以是只读存储器(Read Only Memory，ROM)。在一个实例中，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器1301通过读取并执行存储器1302中存储的计算机程序指令，以实现图1所示实施例中的方法，并达到图1所示实例执行其方法达到的相应技术效果，为简洁描述在此不再赘述。
在一个示例中，电子设备还可包括通信接口1303和总线1310。其中，如图13所示，处理器1301、存储器1302、通信接口1303通过总线1310连接并完成相互间的通信。
通信接口1303，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线1310包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(Accelerated Graphics Port，AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，EISA)总线、前端总线(Front Side Bus，FSB)、超传输(Hyper Transport，HT)互连、工业标准架构(IndustryStandard Architecture，ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线1310可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
另外，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现图1所示的AWCC的参数数值确定方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种有源阱型中子符合计数器AWCC的参数数值确定方法，其特征在于，包括：
获取AWCC的目标参数的β个参数数值和每个所述参数数值对应的中子探测效率；其中，β为正整数；
基于每个所述参数数值对应的中子探测效率，确定各个所述参数数值对应的选择概率；其中，所述选择概率正比于所述中子探测效率；
生成随机数，并选择与所述随机数对应的选择概率所对应的参数数值，得到至少一个第一目标参数数值；
利用遗传算法对每个所述第一目标参数数值进行交叉操作和/或变异操作，得到δ个第二目标参数数值；其中，δ为大于β的正整数；
确定每个所述第二目标参数数值的中子探测效率；
比较各个所述第二目标参数数值的中子探测效率的大小，将最大中子探测效率对应的第二目标参数数值确定为所述AWCC的所述目标参数的最终数值；
所述目标参数包括：
所述AWCC中管探测器的分布方式、长度、形状、角度及所述AWCC的体积、重量中的至少一种。
2.根据权利要求1所述的参数数值确定方法，其特征在于，当β为大于1的正整数时，则所述获取AWCC的目标参数的β个参数数值和每个所述参数数值对应的中子探测效率，包括：
获取所述AWCC的所述目标参数的γ个所述参数数值；其中，γ为小于β的正整数；
依据预设的参数数值生成策略，基于γ个所述参数数值，生成β个所述参数数值；
确定每个所述参数数值对应的中子探测效率。
3.根据权利要求2所述的参数数值确定方法，其特征在于，所述依据预设的参数数值生成策略，基于γ个所述参数数值，生成β个所述参数数值，包括：
依据预设的均匀抽样算法，基于γ个所述参数数值，生成β个所述参数数值。
4.根据权利要求2所述的参数数值确定方法，其特征在于，所述确定每个所述参数数值对应的中子探测效率，包括：
利用蒙特卡罗算法，确定每个所述参数数值对应的中子探测效率。
5.根据权利要求2所述的参数数值确定方法，其特征在于，所述确定每个所述参数数值对应的中子探测效率，包括：
针对每个所述参数数值，将所述参数数值输入神经网络模型，输出所述参数数值对应的中子探测效率；其中，所述神经网络模型是利用训练样本集对神经网络进行模型训练得到的，所述训练样本集包括多个训练样本，每个所述训练样本包括样本参数数值和所述样本参数数值对应的样本中子探测效率。
6.根据权利要求5所述的参数数值确定方法，其特征在于，所述针对每个所述参数数值，将所述参数数值输入神经网络模型，输出所述参数数值对应的中子探测效率之前，所述方法还包括：
获取所述目标参数的多个所述样本参数数值；
利用蒙特卡罗算法，确定每个所述样本参数数值对应的样本中子探测效率；
针对每一个所述样本参数数值，将所述样本参数数值和所述样本参数数值对应的样本中子探测效率作为一个所述训练样本，得到所述训练样本集；
利用所述训练样本集对所述神经网络进行模型训练，得到所述神经网络模型。
7.根据权利要求6所述的参数数值确定方法，其特征在于，所述利用所述训练样本集对所述神经网络进行模型训练，得到所述神经网络模型，包括：
针对每个所述训练样本，分别执行以下步骤：
将所述样本参数数值和所述样本参数数值对应的样本中子探测效率输入所述神经网络，得到预测中子探测效率；
基于所述预测中子探测效率和所述样本中子探测效率，判断所述神经网络是否满足预设训练停止条件；
若不满足，则调整所述神经网络的模型参数，并利用所述训练样本集训练调整后的神经网络，直至满足所述预设训练停止条件，得到所述神经网络模型。
8.一种有源阱型中子符合计数器AWCC的参数数值确定装置，其特征在于，包括：
获取模块，用于获取AWCC的目标参数的β个参数数值和每个所述参数数值对应的中子探测效率；其中，β为正整数；
第一确定模块，用于基于每个所述参数数值对应的中子探测效率，确定各个所述参数数值对应的选择概率；其中，所述选择概率正比于所述中子探测效率；
选择模块，用于生成随机数，并选择与所述随机数对应的选择概率所对应的参数数值，得到至少一个第一目标参数数值；
操作执行模块，用于利用遗传算法对每个所述第一目标参数数值进行交叉操作和/或变异操作，得到δ个第二目标参数数值；其中，δ为大于β的正整数；
第二确定模块，用于确定每个所述第二目标参数数值的中子探测效率；
第三确定模块，用于比较各个所述第二目标参数数值的中子探测效率的大小，将最大中子探测效率对应的第二目标参数数值确定为所述AWCC的所述目标参数的最终数值；
所述目标参数包括：
所述AWCC中管探测器的分布方式、长度、形状、角度及所述AWCC的体积、重量中的至少一种。
9.一种电子设备，其特征在于，所述电子设备包括：处理器，以及存储有计算机程序指令的存储器；
所述处理器读取并执行所述计算机程序指令，以实现如权利要求1-7任意一项所述的有源阱型中子符合计数器AWCC的参数数值确定方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的有源阱型中子符合计数器AWCC的参数数值确定方法。
CN202010505563.1A 2020-06-05 2020-06-05 Awcc的参数数值确定方法、装置、设备及计算机存储介质 Active CN111767518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010505563.1A CN111767518B (zh) 2020-06-05 2020-06-05 Awcc的参数数值确定方法、装置、设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010505563.1A CN111767518B (zh) 2020-06-05 2020-06-05 Awcc的参数数值确定方法、装置、设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN111767518A CN111767518A (zh) 2020-10-13
CN111767518B true CN111767518B (zh) 2024-06-07

Family

ID=72720111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010505563.1A Active CN111767518B (zh) 2020-06-05 2020-06-05 Awcc的参数数值确定方法、装置、设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN111767518B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465013B (zh) * 2020-11-25 2024-02-02 平安科技（深圳）有限公司 海洋平底结构物入水砰击力的峰值预测方法、装置及设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753712A (zh) * 2018-12-28 2019-05-14 西安交通大学 一种中子剂量当量率仪的优化设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7514694B2 (en) * 2007-06-19 2009-04-07 Material Innovations, Inc. Neutron detector

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753712A (zh) * 2018-12-28 2019-05-14 西安交通大学 一种中子剂量当量率仪的优化设计方法

Also Published As

Publication number Publication date
CN111767518A (zh) 2020-10-13

Similar Documents

Publication Publication Date Title
Silva et al. Machine learning approaches and their current application in plant molecular biology: A systematic review
CN109657805B (zh) 超参数确定方法、装置、电子设备及计算机可读介质
CN116383912B (zh) 一种提高控制精度的微型电机结构优化方法及系统
CN112164426A (zh) 基于TextCNN的药物小分子靶点活性预测方法和装置
CN113505225B (zh) 一种基于多层注意力机制的小样本医疗关系分类方法
Cui et al. Comparative analysis and classification of cassette exons and constitutive exons
CN111767518B (zh) Awcc的参数数值确定方法、装置、设备及计算机存储介质
CN111582315B (zh) 样本数据处理方法、装置及电子设备
CN117236278A (zh) 一种基于数字孪生技术的芯片生产仿真方法及系统
Sun et al. Two stages biclustering with three populations
CN117592370A (zh) 一种基于pinn的二维赋形场求解方法、系统及存储介质
Pietroń et al. Speedup deep learning models on GPU by taking advantage of efficient unstructured pruning and bit-width reduction
CN115774854B (zh) 一种文本分类方法、装置、电子设备和存储介质
Ma et al. Kernel soft-neighborhood network fusion for MiRNA-disease interaction prediction
CN116705192A (zh) 基于深度学习的药物虚拟筛选方法及装置
CN115600926A (zh) 项目后评价方法、装置、电子设备及存储介质
CN115345303A (zh) 卷积神经网络权重调优方法、装置、存储介质和电子设备
CN110399968B (zh) 基于效用函数的系统级测试性设计多目标优化方法
CN110221931B (zh) 基于切比雪夫的系统级测试性设计多目标优化方法
CN114328221A (zh) 基于特征和实例迁移的跨项目软件缺陷预测方法及系统
CN111639464B (zh) 等离子体射流发生器参数优化方法、装置及存储介质
Deng et al. SVR with hybrid chaotic genetic algorithm for short-term traffic flow forecasting
CN114077924A (zh) 考虑极端大风天气的风电功率预测大风数据增强方法
Di Persia et al. exp2GO: Improving prediction of functions in the Gene Ontology with expression data
Liu et al. A surrogate evolutionary neural architecture search algorithm for graph neural networks

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
GR01 Patent grant