CN111933226A - 一种基于分级分类模型的人工智能筛选材料方法 - Google Patents

一种基于分级分类模型的人工智能筛选材料方法 Download PDF

Info

Publication number
CN111933226A
CN111933226A CN202010564998.3A CN202010564998A CN111933226A CN 111933226 A CN111933226 A CN 111933226A CN 202010564998 A CN202010564998 A CN 202010564998A CN 111933226 A CN111933226 A CN 111933226A
Authority
CN
China
Prior art keywords
parameters
parameter
interval
value
function
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.)
Granted
Application number
CN202010564998.3A
Other languages
English (en)
Other versions
CN111933226B (zh
Inventor
魏永生
刘妍
付文英
袁博宇
陈玲熙
韦露
赵新生
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.)
Jiangsu Normal University
Original Assignee
Jiangsu Normal University
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 Jiangsu Normal University filed Critical Jiangsu Normal University
Priority to CN202010564998.3A priority Critical patent/CN111933226B/zh
Publication of CN111933226A publication Critical patent/CN111933226A/zh
Application granted granted Critical
Publication of CN111933226B publication Critical patent/CN111933226B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于分级分类模型的人工智能筛选材料方法，将影响材料结构和性能的制备工艺参数进行归纳总结，通过K‑means算法对参数进行科学取值，实验制备并测试材料的性能后获取实验数据。设定系统阈值，根据任一参数实验数据组的极差与阈值的差值，将参数分为敏感类参数和非敏感类参数。对于敏感类参数的实验测试结果进行多项式拟合，根据多项式拟合公式及其参数变量的指数值判定该参数的级数。根据参数的级数进行循环优化，直到参数的优化数值点与邻近实验值的离差小于阈值。以参数分类分级模型为核心建立一套新材料研发控制系统，对新材料研发过程中的制备参数进行优化管理，提高材料研发的效率，缩短研发周期，降低研发成本。

Description

一种基于分级分类模型的人工智能筛选材料方法
技术领域
本发明涉及人工智能，特别涉及一种基于参数分级分类模型的人工智能筛选材料方法。
背景技术
人工智能是新时期逻辑学、数学、计算机技术、控制理论综合利用和相互交叉的边缘学科和综合领域。人工智能技术具有自主学习的能力，利用自主学习的理论来实现建设专用的数据库，记录在运行过程中的各项参数，在系统中建设数学建模，让设备的运行状态满足人们的操作意图。建成的数据库库为数学模型建设参数的来源，应用建成的数学模型提升控制系统的运行效率。
但是现在的人工智能控制系统普遍都存在一些缺陷，比如运行效率仍然达不到人们的期望等等，将分级分类模型利用于人工智能控制系统上就可以有效地提高对控制系统分级分类的效率，但是尚未运用到关于新材料的制备及参数分类领域。
发明内容
发明目的：本发明的目的是提供一种基于分级分类模型的人工智能筛选材料方法，对材料进行分类和分级。
技术方案：本发明所述的一种基于分级分类模型的人工智能筛选材料方法，包括以下步骤：
步骤1，按照初始的聚类中心来选择得到k个聚类中心作为初始的聚类中心，根据数据对象之间的距离公式
Figure BDA0002547502500000011
计算出每一个数据对象与中心的距离，将每一个数据对象分配给离其最近的聚类中心，以得到k个簇类；
步骤2，得到k个簇类之后，根据簇类中心的公式
Figure BDA0002547502500000012
重新计算新的簇类的中心，然后更新簇类的中心，直到聚类的中心不再发生变化或是连续几次的取值的插值均小于阀值，确定若干簇类以完成对材料的分类；
步骤3，在完成材料的分类之后对材料进行分级，首先寻找材料参数数值区间，利用公式
Figure BDA0002547502500000021
对参数在参数数值区间内求偏导并利用插值拟合算法得到函数，其次材料的参数通过函数图像显示出来，根据函数图像判断材料的性能。
有益效果：本发明与现有技术相比：选定材料的组分，归纳总结并凝练出材料在研发制备过程中材料的构效关系，明确材料研发的目标函数等等，通过对随机森林和K-means两种人工智能算法的结合并改进，对材料的参数进行科学选值和实验测试，重点关注关注材料中参数的边界阈值、取值步长与方法的科学性对实现材料性能快速优化的影响，精准动态识别新材料研发过程中参数方程及优化方法复杂性特征，形成可解释人工智能的科学体系，实现了高效、快速的将参数进行分类分级及优化。
附图说明
图1不同浓度次亚磷酸钠对应的过电势图；
图2不同浓度柠檬酸三纳对应的过电势图；
图3为基于分级分类模型的人工智能筛选材料方法流程图；
图4为零级参数模型；
图5(a)为一级单调增参数模型；
图5(b)为一级单调减参数模型；
图6为二级参数模型-上单峰；
图7为二级参数模型-下单峰；
图8(a)为二级上单峰(左侧)参数模型；
图8(b)为二级上单峰(右侧)参数模型；
图8(c)为二级下单峰(左侧)参数模型；
图8(d)为二级下单峰(右侧)参数模型；
图9为三级参数模型-上下单峰。
具体实施方式
如图1所示，一种基于分级分类模型的人工智能筛选材料方法，包括以下步骤：
步骤1，按照初始的聚类中心来选择得到k个聚类中心作为初始的聚类中心，根据数据对象之间的距离公式
Figure BDA0002547502500000031
计算出每一个数据对象与中心的距离，将每一个数据对象分配给离其最近的聚类中心，以得到k个簇类；
步骤2，得到k个簇类之后，根据簇类中心的公式
Figure BDA0002547502500000032
重新计算新的簇类的中心，然后更新簇类的中心，直到聚类的中心不再发生变化或是连续几次的取值的插值均小于阀值，确定若干簇类以完成对材料的分类；
步骤3，在完成材料的分类之后对材料进行分级，首先寻找材料参数数值区间，利用公式
Figure BDA0002547502500000033
对参数在参数数值区间内求偏导并利用插值拟合算法得到函数，其次材料的参数通过函数图像显示出来，根据函数图像判断材料的性能。
其中，在步骤2中，阈值函数为y＝a*(xi)n+b，若小于阈值函数则y＝0，判断材料为不敏感材料；若大于阈值函数则y＝1，判断材料为敏感材料。
通过对制备的催化剂进行电化学性能测试，通过对比在电流密度为20mA/cm2下的过电势，过电势越小相对应的催化剂活性越高。逐个探究主要的自变量参数，并将参数分为敏感参数和非敏感参数。在一组实验优化中，如果过电势最低和最高之间相差大于20mV则为敏感参数，反之即非敏感参数。经历上述过程后即可得到制备催化剂的最优参数，从而得到电催化性能优良、稳定性良好的催化剂。
通过电化学性能测试得到在次亚磷酸钠的不同浓度下，电流密度为10mA/cm2时的过电势图1所示，可以看出催化剂析氧过电势始终低于290mV，当次亚磷酸钠浓度为0.35mol/L时，制备出来的催化剂析氧过电位最低，为269mV，催化性能最好。同时由图中数据可知过电势差值最大为16mV，则可以认为次亚磷酸钠为不敏感参数。
通过电化学性能测试得到在柠檬酸三钠的不同浓度下，电流密度为10mA/cm2时的过电势如图2所示，从图2中可以看出催化剂析氢过电势始终低于140mV，当柠檬酸三纳浓度为0.068mol/L时，制备出来的催化剂析氢过电位最低，为98mV，催化性能最好。同时由图中数据可知过电势差值最大为39mV，则可以认为柠檬酸三纳为敏感参数。根据y＝a*(xi)n+b代入，即可得出n为2，就可以快速便捷的判断出此参数为二级敏感参数。
基本假定：
对于任意一个参数x，1≤n≤m，设定参数x的区间范围为[0,xn]，0和xn分别代表参数区间的上下界。xi和xj均是其区间内任意一点，且有0≤xi＜xj≤xn。目标函数y关于参数x的偏导数在任一点xi处的斜率表示为
Figure BDA0002547502500000041
当材料为不敏感材料时，没有超过有效阈值范围的参数x组成一个新的集合：
Figure BDA0002547502500000042
其中m0是集合O0元素的数目。
如图2所示，因为这些参数对于目标函数y值没有任何影响，对于选择的这些参数值得极差均没有超过有效阈值范围之间的差值，不对此集合参数进行优化处理，所以将集合O0中的参数定义为零级参数(zero order parameters)，即对此零级参数则不需要优化。
在步骤3中，当材料为敏感材料时，根据材料的性能对实现材料的分级，根据参数点的数值得出n的值，n为1，则为一级参数；n为2，则为二级参数；n为3，则为三级参数，一级至三级参数进行优化以对模型进行修正或对参数的步长进行优化。
对于任意一个参数x，1≤n≤m，设定参数x的区间范围为[0,xn]，0和xn分别代表参数区间的上下界。xi和xj均是其区间内任意一点，且有0≤xi＜xj≤xn。目标函数y关于参数x的偏导数在任一点xi处的斜率表示为
Figure BDA0002547502500000043
对于新材料的人工智能模型的性能参数performance，有m个影响参数，记作函数
y＝y(y1,y2,y3,…,yi,…,ym)
根据参数性质的不同将这m个参数分成四类：几何参数，物性参数、工作参数和常量参数。分别使用K1，K2，K3和K4四个集合来表示。因此，
y＝K(K1,K2,K3,K4)
第二种情况：一级参数
(1)单调函数的一级参数
若式(2-1)可以满足
Figure BDA0002547502500000051
成立，那么此时函数y是关于parameter x在其区间[0,xn]上单调增函数；
或者有
Figure BDA0002547502500000052
成立，那么此时函数y是关于parameter x在其区间[0,xn]上单调减函数；
以上两种情况统称为单调函数。
如图3(a)、(b)两图所示，将满足这个式(2-3)和(2-4)条件的参数xi组成另一个新的集合：
Figure BDA0002547502500000053
其中m1是集合O1元素的数目。
因为这些参数对于目标函数P值的影响在其区间上成单调增或者单调减的单向性质，所选参数值之间的极差超过阈值上下限之间的差值，所以只对这种单调函数在单调增区间右边界或者在单调减区间左边界进行单向优化，即一次优化处理，所以将集合O1中的参数定义为一级参数(One order parameters)。
优化策略：一次优化
优化区间：单增右边界或单减左边界。
第三种情况：二级参数
(1)只有一个上单峰
由拉格朗日中值定理和罗尔定理可以知道，若存在
Figure BDA0002547502500000054
同时
Figure BDA0002547502500000055
则在参数x的区间[0,xn]内必然至少存在一点xl，xi＜xl＜xj，使得
Figure BDA0002547502500000056
成立。
如图4所示，参数点xl就是函数y关于参数x的曲线的上单峰点，若点xl集合是连续区间，则参数只存在一个上单峰，此时函数y是关于参数x在其区间[0,xn]上先增后减上单峰函数；
将满足这个式(2-5)条件的参数xi组成另一个新的集合：
Figure BDA0002547502500000061
其中m2是集合O2元素的数目。
因为这些参数对于目标函数y值的影响在其区间上成先增后减的双向性质，对这种单调函数在区间内增减性质的判断，然后找到上单峰位置进行优化，根据公式y＝a*(xi)n+b，可以得出n的取值为2，所以将集合O2中的参数定义为二级参数(Two orderparameters)。
优化策略：
(1)判断先增后减的双向性；
(2)寻找上单峰区间；
优化区间：参数x的上单峰区间。
(2)只有一个下单峰
由拉格朗日中值定理和罗尔定理可以知道，若存在
Figure BDA0002547502500000062
同时
Figure BDA0002547502500000063
则在参数x的区间[0,xn]内必然至少存在一点xl，xi＜xl＜xj，使得
Figure BDA0002547502500000064
成立。
如图5所示，参数点xl就是函数y关于参数x的曲线的下单峰点，若点xl集合是连续区间，则参数只存在一个下单峰，此时函数y是关于参数x在其区间[0,xn]上先减后增下单峰函数；
将满足这个式(2-6)条件的参数xi组成另一个新的集合：
Figure BDA0002547502500000065
其中m3是集合O3元素的数目。
因为这些参数对于目标函数y值的影响在其区间上成先减后增的双向性质，对这种单调函数在区间内增减性质的判断，然后找到下单峰位置同时找到区间两端点，再比较两端点大小以进行优化，同样根据公式y＝a*(xi)n+b判定出n的取值为2，所以将集合O3中的参数定义为二级参数(Two order parameters)。
优化策略：
(1)判断先减后增的双向性；
(2)寻找下单峰区域和两端点；
(3)对区间两端点优化；
优化区间：参数x区间两端点。
(3)上/下单峰的左侧或右侧
由拉格朗日中值定理和罗尔定理可以知道，若存在
Figure BDA0002547502500000071
同时
Figure BDA0002547502500000072
则在参数x的区间[0,xn]内必然至少存在一点xl，xi＜xl＜xj，使得
Figure BDA0002547502500000073
成立。
以上两种情况是对上单峰或下单峰函数两边均取值的情况，这种情况是针对于只对上单峰或下单峰的某一侧进行取值，具体情况分析如下：
对于上单峰有取左侧和右侧两种情况，
Figure BDA0002547502500000074
Figure BDA0002547502500000075
对于下单峰同样有两种取左侧与右侧的情况，
Figure BDA0002547502500000076
Figure BDA0002547502500000078
将满足这个式(2-5)条件的参数xi组成另一个新的集合：
Figure BDA0002547502500000077
其中m4是集合O4元素的数目。
因为这些参数图像，是根据上参数或是下参数取值只取左侧或右侧所衍生出的图像，这些参数对于目标函数P值的影响在其区间上成单调增或者单调减的单向性质，所选参数值之间的极差超过阈值上下限之间的差值，以只对这种函数在单调增区间右边界或在单调减区间左边界的数值点进行优化，根据y＝a*(xi)n+b公式也很容易得出n的取值为2，根据确定敏感参数级数的公式即可以得出集合O4中的参数定义为二级参数(Two orderparameters)。
优化策略：对超过阈值的数值点进行二次优化。
优化区间：单增右边界或单减左边界。
第四种情况：三级参数-上下单峰
若点xl集合是非连续区间，则参数x在其区间内存在两个单峰(无论是上单峰或下单峰)，此时函数的最值只可能存在于上单峰以及最外侧下单峰函数两端点边界。
将满足这样条件的参数xi组成另一个新的集合：
Figure BDA0002547502500000081
其中m5是集合O5元素的数目。
因为这些参数对于目标函数y值的影响在其区间上成多向性，对上单峰数和最外侧单峰为下单峰函数的两端点函数值进行优化，将图像与公式y＝a*(xi)n+b结合起来很容易得出n的取值为3，所以将集合O5中的参数定义为三级参数(Two order parameters)。
优化策略：
(1)判断先减后增的双向性
(2)寻找所有单峰点并判断单峰点是否连续；
(3)对于非连续单峰点确定最外侧单峰是否是下单峰，若是则寻找下单峰区间外侧端点边界；
(4)对上单峰和最外侧下单峰区间外侧端点边界进行优化；
优化区间：上单峰区间和最外侧是下单峰的外侧端点边界。

Claims (8)

1.一种基于分级分类模型的人工智能筛选材料方法，其特征在于包括以下步骤：
步骤1，按照初始的聚类中心来选择得到k个聚类中心作为初始的聚类中心，根据数据对象之间的距离公式
Figure FDA0002547502490000011
计算出每一个数据对象与中心的距离，将每一个数据对象分配给离其最近的聚类中心，以得到k个簇类；
步骤2，得到k个簇类之后，根据簇类中心的公式
Figure FDA0002547502490000012
重新计算新的簇类的中心，然后更新簇类的中心，直到聚类的中心不再发生变化或是连续几次的取值的插值均小于阀值，确定若干簇类以完成对材料的分类；
步骤3，在完成材料的分类之后对材料进行分级，首先寻找材料参数数值区间，利用公式
Figure FDA0002547502490000013
对参数在参数数值区间内求偏导并利用插值拟合算法得到函数，其次材料的参数通过函数图像显示出来，根据函数图像判断材料的性能。
2.根据权利要求1所述的一种基于分级分类模型的人工智能筛选材料方法，其特征在于在步骤2中，根据任一参数实验数据组的极差与阈值的差值，若小于阈值的差值则y＝0，判断材料为不敏感材料；若大于阈值的差值则y＝1，判断材料为敏感材料。
3.根据权利要求1所述的一种基于分级分类模型的人工智能筛选材料方法，其特征在于在步骤3中，当材料为敏感材料时，根据材料的性能对实现材料的分级，根据阈值函数y＝a*(xi)n+b参数点的数值得出n的值，n为1，则为一级参数；n为2，则为二级参数；n为3，则为三级参数，一级至三级参数进行优化以对模型进行修正或对参数的步长进行优化。
4.根据权利要求3所述的一种基于分级分类模型的人工智能筛选材料方法，其特征在于一级参数优化时，当参数对于目标函数的值的影响在区间上成单调递增或者单调递减的单向性质，且参数的图像显示为单调递增或者单调递减函数，在单调增区间右边界或者在单调减区间左边界进行单向优化。
5.根据权利要求3所述的一种基于分级分类模型的人工智能筛选材料方法，其特征在于二级参数在优化时，材料参数的图像总体上显示为上抛或下抛抛物线的左侧或右侧。此时根据公式y＝a*(xi)n+b，可得出n的取值为2，此时即为二级参数，所以需要对单调增区间右边界或者在单调减区间左边界进行优化及调整参数的步长。
6.根据权利要求3所述的一种基于参数分级分类模型的人工智能筛选材料方法，其特征在于二级参数在优化时，材料参数的总体图像显示为上抛或是下抛的抛物线；当参数对于目标函数值的影响在区间上成先增后减的双向性质，对单调函数在区间内增减性质的判断，找到上单峰位置进行优化；当参数对于目标函数值的影响在区间上成先减后增的双向性质，对这种单调函数在区间内增减性质的判断，找到下单峰的位置同时找到区间的两个端点，通过比较端点的大小进行优化。
7.根据权利要求3所述的一种基于分级分类模型的人工智能筛选材料方法，其特征在于三级参数在优化时，参数的图像至少存在两个单峰，对于三级参数而言至少优化两次。
8.根据权利要求7所述的一种基于分级分类模型的人工智能筛选材料方法，其特征在于三级参数的优化步骤：
S1:判断目标函数函数的先减后增得双向性；
S2:寻找目标函数所有单峰点并且要判断出单峰点是否连续；
S3:对于目标函数的非连续单峰点确定最外侧单峰是否是下单峰，若是则寻找下单峰区间外侧端点边界；
S4:对上单峰和最外侧下单峰区间外侧端点边界进行优化。
CN202010564998.3A 2020-06-19 2020-06-19 一种基于分级分类模型的人工智能筛选材料方法 Active CN111933226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010564998.3A CN111933226B (zh) 2020-06-19 2020-06-19 一种基于分级分类模型的人工智能筛选材料方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010564998.3A CN111933226B (zh) 2020-06-19 2020-06-19 一种基于分级分类模型的人工智能筛选材料方法

Publications (2)

Publication Number Publication Date
CN111933226A true CN111933226A (zh) 2020-11-13
CN111933226B CN111933226B (zh) 2024-05-14

Family

ID=73316530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010564998.3A Active CN111933226B (zh) 2020-06-19 2020-06-19 一种基于分级分类模型的人工智能筛选材料方法

Country Status (1)

Country Link
CN (1) CN111933226B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101486A (zh) * 2020-11-16 2020-12-18 成都天锐星通科技有限公司 芯片筛选方法、装置、电子设备和可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011089258A2 (en) * 2010-01-25 2011-07-28 Imec A variability-aware reliability simulation method of electronic systems
CN106845796A (zh) * 2016-12-28 2017-06-13 中南大学 一种加氢裂化流程产品质量在线预测方法
CN108732510A (zh) * 2018-07-19 2018-11-02 哈尔滨工业大学 基于内部特征的锂离子电池一致性筛选分组方法
CN110858505A (zh) * 2018-08-23 2020-03-03 塔塔咨询服务有限公司 用于预测原子元素及其合金材料的结构和性质的系统和方法
WO2020056405A1 (en) * 2018-09-14 2020-03-19 Northwestern University Data-driven representation and clustering discretization method and system for design optimization and/or performance prediction of material systems and applications of same
WO2020084622A1 (en) * 2018-10-24 2020-04-30 Technion Research & Development Foundation Limited Means and methods for detection and characterization of spectrally structured, continuously changing, diffuse radiation sources
US20200168300A1 (en) * 2018-11-27 2020-05-28 California Institute Of Technology Screening methods and related catalysts, materials, compositions, methods and systems

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011089258A2 (en) * 2010-01-25 2011-07-28 Imec A variability-aware reliability simulation method of electronic systems
CN106845796A (zh) * 2016-12-28 2017-06-13 中南大学 一种加氢裂化流程产品质量在线预测方法
CN108732510A (zh) * 2018-07-19 2018-11-02 哈尔滨工业大学 基于内部特征的锂离子电池一致性筛选分组方法
CN110858505A (zh) * 2018-08-23 2020-03-03 塔塔咨询服务有限公司 用于预测原子元素及其合金材料的结构和性质的系统和方法
WO2020056405A1 (en) * 2018-09-14 2020-03-19 Northwestern University Data-driven representation and clustering discretization method and system for design optimization and/or performance prediction of material systems and applications of same
WO2020084622A1 (en) * 2018-10-24 2020-04-30 Technion Research & Development Foundation Limited Means and methods for detection and characterization of spectrally structured, continuously changing, diffuse radiation sources
US20200168300A1 (en) * 2018-11-27 2020-05-28 California Institute Of Technology Screening methods and related catalysts, materials, compositions, methods and systems

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BAUMES LA ET AL.: "integrating chemists preferences for shape-similarity clustering of series", 《CONBINATIRIAL CHEMISTRY & HIGH THROUGHPUT SCREENING》, vol. 11, 31 May 2008 (2008-05-31), pages 266 - 282 *
赵超凡: "基于数据挖掘的甲烷化催化剂建模研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, no. 10, pages 016 - 213 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101486A (zh) * 2020-11-16 2020-12-18 成都天锐星通科技有限公司 芯片筛选方法、装置、电子设备和可读存储介质

Also Published As

Publication number Publication date
CN111933226B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
CN110276966B (zh) 交叉口信号控制时段划分方法
CN106056136A (zh) 一种聚类中心快速确定的数据聚类方法
KR102215690B1 (ko) 시계열의 데이터를 모니터링 하는 방법 및 그 장치
CN111008504B (zh) 一种基于气象模式识别的风电功率预测误差建模方法
CN105843189B (zh) 一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法
CN104992244A (zh) 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法
CN109492748B (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN109657891B (zh) 一种基于自适应k-means++算法的负荷特性分析方法
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN110868221B (zh) 一种多模态数据自动压缩方法
CN111046968A (zh) 一种基于改进dpc算法的道路网络轨迹聚类分析方法
CN113222027A (zh) 基于加权共享最近邻的自适应聚类中心密度峰值聚类算法
CN110580252B (zh) 多目标优化下的空间对象索引与查询方法
CN111933226A (zh) 一种基于分级分类模型的人工智能筛选材料方法
CN114548575A (zh) 基于迁移学习的自适应建筑日前负荷预测方法
CN117034046A (zh) 一种基于isodata聚类的柔性负荷可调潜力评估方法
CN108614889B (zh) 基于混合高斯模型的移动对象连续k近邻查询方法及系统
CN108520087B (zh) 一种机械结构异类多目标性能的稳健性度量与均衡优化设计方法
CN111859263B (zh) 一种用于自来水处理的精准投药方法
Nermend et al. Modeling users’ preferences in the Decision Support System
CN114781703A (zh) 一种分层多目标优化方法、终端设备及存储介质
CN103679539A (zh) 多层次指标的投影寻踪动态聚类方法与装置
CN108920787B (zh) 一种基于自适应配点的结构模糊不确定性分析方法
CN113344073A (zh) 一种基于融合进化算法的日负荷曲线聚类方法及系统
CN112949948A (zh) 电动汽车分时段换电需求区间预测的集成学习方法及系统

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
GR01 Patent grant