CN113345538B - 一种基于动态选取训练集的材料性能预测方法 - Google Patents
一种基于动态选取训练集的材料性能预测方法 Download PDFInfo
- Publication number
- CN113345538B CN113345538B CN202110708495.3A CN202110708495A CN113345538B CN 113345538 B CN113345538 B CN 113345538B CN 202110708495 A CN202110708495 A CN 202110708495A CN 113345538 B CN113345538 B CN 113345538B
- Authority
- CN
- China
- Prior art keywords
- data
- principal component
- sample
- original
- vector
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供一种基于动态选取训练集的材料性能预测方法,针对每一组测试数据选择特定的训练集去训练模型并对其进行预测,结合欧几里得距离与高斯分布选取训练集;比使用所有原始数据作为训练集和使用与测试数据为同一簇类的数据作为训练集皆更优,前者训练出的模型预测测试数据,其平均绝对误差分别比后两者低34.92%和24.85%。
Description
技术领域
本发明涉及材料性能预测领域,尤其涉及一种基于动态选取训练集的材料性能预测方法。
背景技术
对于材料的性能预测,现有技术主要分为两类:一类是通过试验的方法预测特定材料的特定性能,这种方法费时费力;第二类是使用机器学习的方法预测材料性能,先选取训练集训练模型,再使用训练后的模型对新的测试数据进行预测,根据选取训练集的方式不同,又可以分为两类,一类是选择所有原始数据作为训练集,另一类是选择同一簇类的数据作为训练集,但是两种方式的预测精度均有较大误差,通过分析发现原因在于前者忽略了原始数据之间的特性差异,导致材料性能预测误差较大,而后者对簇类边缘的测试数据预测误差较大,因此预测精度的提高转移到如何选择训练集上,通过选取合适的训练集,将使得模型进度精度更高,预测结果也就越精确。
发明内容
本发明提供的一种基于动态选取训练集的材料性能预测方法,主要解决的技术问题是:如何提高材料性能预测精度。
为解决上述技术问题,本发明提供一种基于动态选取训练集的材料性能预测方法,包括:
获取训练数据库中各样本的原始材料参数数据,利用主成分分析法,获取所述各样本对应的降维数据,以及与所述原始材料参数对应的特征权重向量,并对所述各样本对应的降维数据进行坐标表示;
获取待测材料的原始材料参数数据,乘以所述特征权重向量,得到所述待测材料的降维数据,并进行坐标表示;
计算所述待测材料的坐标与所述各样本的坐标之间的空间距离,绘制距离频数直方图,并基于所述距离频数直方图绘制对应的距离概率密度曲线;
以所述距离概率密度曲线的第一个波峰及之前所对应的距离范围,作为目标距离范围,确定以所述目标距离范围对应的样本作为目标训练样本;
利用所述目标训练样本,使用机器学习回归算法进行训练,得到预测模型;
将所述待测材料的原始材料参数输入所述预测模型,输出得到性能预测值。
进一步的,所述利用主成分分析法,获取所述各样本对应的降维数据,以及与所述原始材料参数对应的特征权重向量,并对所述各样本对应的降维数据进行坐标表示包括:
利用主成分分析法,将原来的高维原始材料参数数据降低为二维数据,将第一主成分xn记为X轴坐标,将第二主成分yn记为Y轴坐标,坐标表示为(xn,yn),所述n表示训练数据库中样本个数;所述第一主成分对应的特征权重向量记为向量a,所述第二主成分对应的特征权重向量记为向量b。
进一步的,所述获取待测材料的原始材料参数数据,乘以所述特征权重向量,得到所述待测材料的降维数据,并进行坐标表示包括:
获取待测材料的原始材料参数数据,乘以所述向量a,得到其X轴坐标x′0,将所述待测材料的原始材料参数数据,乘以所述向量b,得到其Y轴坐标值y′0,进而得到其降维数据并进行坐标表示为(x′0,y′0)。
进一步的,所述利用主成分分析法,获取所述各样本对应的降维数据,以及与所述原始材料参数对应的特征权重向量,并对所述各样本对应的降维数据进行坐标表示包括:
利用主成分分析法,将原来的高维原始材料参数数据降低为三维数据,将第一主成分xn记为X轴坐标,将第二主成分yn记为Y轴坐标,将第三主成分zn记为Z轴坐标,坐标表示为(xn,yn,zn),所述n表示训练数据库中样本个数;所述第一主成分对应的特征权重向量记为向量a,所述第二主成分对应的特征权重向量记为向量b,所述第三主成分对应的特征权重向量记为向量c。
进一步的,所述获取待测材料的原始材料参数数据,乘以所述特征权重向量,得到所述待测材料的降维数据,并进行坐标表示包括:
获取待测材料的原始材料参数数据,乘以所述向量a,得到其X轴坐标x′0,将所述待测材料的原始材料参数数据,乘以所述向量b,得到其Y轴坐标值y′0,将所述待测材料的原始材料参数数据,乘以所述向量c,得到其Z轴坐标值z′0,进而得到其降维数据并进行坐标表示为(x′0,y′0,z′0)。
进一步的,所述方法还包括:
判断目标训练样本个数是否达到设定个数阈值,若否,将所述距离概率密度曲线的第二个波峰及之前所对应的距离范围,作为目标距离范围;以此类推,直至对应的目标训练样本个数刚好超过所述设定个数阈值。
进一步的,所述机器学习回归算法为Adaboost回归算法。
本发明的有益效果是:
根据本发明提供的一种基于动态选取训练集的材料性能预测方法,通过获取训练数据库中各样本的原始材料参数数据,利用主成分分析法,获取各样本对应的降维数据,以及与原始材料参数对应的特征权重向量,并对各样本对应的降维数据进行坐标表示;获取待测材料的原始材料参数数据,乘以特征权重向量,得到待测材料的降维数据,并进行坐标表示;计算待测材料的坐标与各样本的坐标之间的空间距离,绘制距离频数直方图,并基于距离频数直方图绘制对应的距离概率密度曲线;以距离概率密度曲线的第一个波峰及之前所对应的距离范围,作为目标距离范围,确定以目标距离范围对应的样本作为目标训练样本;利用目标训练样本,使用机器学习回归算法进行训练,得到预测模型;将待测材料的原始材料参数输入预测模型,输出得到性能预测值。本方案比直接使用所有原始数据作为训练集和使用与测试数据为同一簇类的数据作为训练集皆更优,前者训练出的模型预测测试数据,其平均绝对误差分别比后两者低34.92%和24.85%。
附图说明
图1为本发明实施例一的基于动态选取训练集的材料性能预测方法流程示意图;
图2为本发明实施例一的待测点与所有样本点的距离频数分布直方图;
图3为本发明实施例一的测试点与所有样本点的距离概率密度曲线图;
图4为本发明实施例一的测试点与训练集降维后的二维坐标图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例一:
目前的机器学习预测材料性能方法无法选取合适的训练集,忽略了原始数据之间的特性差异,以及对簇类边缘的测试数据预测误差较大,进而无法对测试数据进行精准预测,本发明采用一种动态选取模型训练集的方法对材料测试数据进行性能预测,即对每一组要预测的新的材料测试数据,我们都从原始的数据库中实时选取不同数量的特定相似数据作为训练集来训练模型,进而提高材料性能预测的准确性。
请参见图1,本实施例提供一种基于动态选取训练集的材料性能预测方法,主要包括如下步骤:
S101、获取训练数据库中各样本的原始材料参数数据,利用主成分分析法,获取各样本对应的降维数据,以及与原始材料参数对应的特征权重向量,并对各样本对应的降维数据进行坐标表示;
通常我们得到的原始材料数据具有多维的特征,高维数据一方面会增加模型的复杂度,另一方面高维数据不利于可视化,需要对原始数据进行预处理操作。将所有已有的材料数据归为训练数据库,对数据库中所有的数据进行主成分分析(PCA),将原来的高维原始数据降低成二维,并将第一主成分记做x轴,第二主成分记做y轴,绘制二维图,将训练数据库中的所有数据表示在这个二维散点图中,每个点的坐标分别为(x0,y0),(x1,y1),……,(xn,yn),其中n表示训练数据库中的样本点个数。同时,我们将第一主成分中的所有特征权重值记做向量a,将第二主成分中的所有特征权重值记做向量b。
S102、获取待测材料的原始材料参数数据,乘以特征权重向量,得到待测材料的降维数据,并进行坐标表示;
待测材料的原始材料参数数据也是多维的,我们将前述特征权重值a与原始材料参数数据相乘,得到一个坐标值x′0,再将特征权重值b与该组原始材料参数数据相乘,得到另一个坐标值y′0,这样该待测材料的原始材料参数数据就降低成了二维,在原始二维散点图中的坐标为(x′0,y′0)。
S103、计算待测材料的坐标与各样本的坐标之间的空间距离,绘制距离频数直方图,并基于距离频数直方图绘制对应的距离概率密度曲线;
在这个降维以后的二维空间中,我们计算该待测材料与训练数据库中的每个样本点之间的欧几里得距离,并将距离的频度分布直方图绘制出来,进而绘制得到距离概率密度曲线,选择距离概率密度曲线图中第一个波峰及其之前的距离范围所对应的训练数据库中的m个点(m≤n)作为该待测材料的模型训练集。同理,我们对于每组需要预测的材料都采用上述的方法从训练数据库中选择对应的模型训练数据集,而不是单纯地使用训练数据库中的所有数据,或与测试数据为同一簇类的数据作为训练集,从而保证了待测材料与数据库中已知材料数据之间的特性差异,避免了对簇类边缘数据的影响,通过本方案选取的模型训练集,更加适合对该待测材料进行性能预测,使得预测精度更优。
S104、以距离概率密度曲线的第一个波峰及之前所对应的距离范围,作为目标距离范围,确定以目标距离范围对应的样本作为目标训练样本;
S105、利用目标训练样本,使用机器学习回归算法进行训练,得到预测模型;
S106、将待测材料的原始材料参数输入预测模型,输出得到性能预测值。
为了更好地理解本方案,下面以预测Cr/Mo钢的LMP(即Larson-Miller参数)为例进行详细说明:
1、原始数据预处理
选取2000个样本作为训练数据库,每个样本包含20个输入特征,1个目标特征,输入特征有应力(Mpa)、碳含量(wt%)、硅含量(wt%)、锰含量(wt%)、磷含量(wt%)、硫含量(wt%)、铬含量(wt%)、钼含量(wt%)、钨含量(wt%)、镍含量(wt%)、铜含量(wt%)、钒含量(wt%)、铌含量(wt%)、氮含量(wt%)、铝含量(wt%)、铜含量(wt%)、正火温度(K)、正火时间(h)、回火温度(K)和回火时间(h),目标特征为LMP,这个参数综合考虑了材料服役温度和蠕变寿命对20个输入特征做主成分分析,将原来的高维原始特征降低成二维,并将第一主成分记做x轴,第二主成分记做y轴,绘制二维图,将训练数据库中的所有数据表示在这个二维散点图中,每个点的坐标分别为(x0,y0),(x1,y1),……,(x1999,y1999)。同时,我们将第一主成分中的所有特征权重值记做向量a,将第二主成分中的所有特征权重值记做向量b。
2、待测材料的训练集选择
选取66个样本作为测试集,每个测试集样本的输入特征数与训练集样本输入特征数一致,再从中随机抽取一组数据作为测试数据演示本实例的后续步骤。将待测材料的20个输入特征分别与前述特征权重向量a与b相乘,可以得到其在原始二维散点图中的坐标(x′0,y′0),这样测试数据的高维特征就降低成二维。在这个降维以后的二维空间中,我们计算待测材料的测试数据与训练数据库中的每个样本点之间的欧几里得距离,并将距离的频数分布直方图以及概率密度曲线绘制出来,分别参见图2和图3所示,选择图3中第一个波峰及之前的距离范围所对应的训练数据库中的593个点作为测试数据的模型训练数据集。如图4所示,图4中白色点代表待测材料的二维测试数据,黑色点代表数据库中样本点的二维原始数据,灰色框内的黑色点代表选取的训练集。
3、在各种回归算法中,以Adaboost回归算法为例,对上述选择的特定训练集进行模型训练
4、使用训练得到的模型对待测材料的LMP参数进行预测,并与待测材料的LMP真实值进行比较,使用平均绝对误差(MAE)对预测效果进行评估,通过实验对比发现,本方案选取的训练集比使用所有原始数据作为训练集和使用与测试数据为同一簇类的数据作为训练集皆更优,前者平均绝对误差分别比后两者低127.3961和78.5067,误差分别降低了34.92%和24.85%。
在本发明其他可选的实施例中,为了保证训练集中的样本个数,保证模型精度,基于距离概率密度曲线的第一个波峰所选取得到若干目标训练样本之后,还需要判断目标训练样本个数是否达到设定个数阈值,若否,则可能影响模型训练效果,因此本方案进一步将距离概率密度曲线的第二个波峰及之前所对应的距离范围,作为目标距离范围;以此类推,也即,若选取第二个波峰及之前所对应的目标距离范围,得到的目标训练样本个数仍然低于该设定个数阈值,则继续选取第三个波峰位置,直至对应的目标训练样本个数刚好超过所述设定个数阈值,以满足模型训练对样本个数的基本需求。
应当理解的是,设定个数阈值可根据数据库中总的样本个数进行灵活确定,例如总样本数为2000,则目标训练样本数至少要达到200个,因此可将设定个数阈值设置为200。
目标训练样本的选取请参见图3,首先可确定端点包括s1和s5,然后确定波峰位置,包括两个分别为s2、s4,波谷位置包括一个s3,第一个波峰及之前(至少包括一个波峰)对应的距离范围,也即是s1~s3(包括一个波峰s2),根据频数直方图即可确定s1~s3对应的样本点个数,以此判断是否达到设定个数阈值,若没有达到设定个数阈值,则选取将后一个波峰及其之前的距离所对应的样本点。
在本发明可选的其他实施例中,在利用主成分分析法进行降维时,并不限于将其降为二维数据,具体的,还将原来的高维原始材料参数数据降低为三维数据,将第一主成分xn记为X轴坐标,将第二主成分yn记为Y轴坐标,将第三主成分zn记为Z轴坐标,坐标表示为(xn,yn,zn),n表示训练数据库中样本个数;第一主成分对应的特征权重向量记为向量a,第二主成分对应的特征权重向量记为向量b,第三主成分对应的特征权重向量记为向量c。
对应的,获取待测材料的原始材料参数数据,乘以向量a,得到其X轴坐标x′0,将待测材料的原始材料参数数据,乘以向量b,得到其Y轴坐标值y′0,将待测材料的原始材料参数数据,乘以向量c,得到其Z轴坐标值z′0,进而得到其降维数据并进行坐标表示为(x′0,y′0,z′0)。
计算待测材料的坐标(x′0,y′0,z′0)与各样本的坐标(xn,yn,zn)之间的空间距离,绘制距离频数直方图,并基于距离频数直方图绘制对应的距离概率密度曲线;
以距离概率密度曲线的第一个波峰及之前所对应的距离范围,作为目标距离范围,确定以目标距离范围对应的样本作为目标训练样本;
利用目标训练样本,使用机器学习回归算法进行训练,得到预测模型;
将待测材料的原始材料参数输入预测模型,输出得到性能预测值。
本发明采用一种动态选取模型训练集的方法对材料测试数据进行性能预测,针对每一组测试数据选择特定的训练集去训练模型并对其进行预测,结合欧几里得距离与高斯分布选取训练集;比使用所有原始数据作为训练集和使用与测试数据为同一簇类的数据作为训练集皆更优,前者训练出的模型预测测试数据,其平均绝对误差分别比后两者低34.92%和24.85%。
显然,本领域的技术人员应该明白,上述本发明的各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (7)
1.一种基于动态选取训练集的材料性能预测方法,其特征在于,包括:
获取训练数据库中各样本的原始材料参数数据,利用主成分分析法,获取所述各样本对应的降维数据,以及与所述原始材料参数对应的特征权重向量,并对所述各样本对应的降维数据进行坐标表示;
获取待测材料的原始材料参数数据,乘以所述特征权重向量,得到所述待测材料的降维数据,并进行坐标表示;
计算所述待测材料的坐标与所述各样本的坐标之间的空间距离,绘制距离频数直方图,并基于所述距离频数直方图绘制对应的距离概率密度曲线;
以所述距离概率密度曲线的第一个波峰及之前所对应的距离范围,作为目标距离范围,确定以所述目标距离范围对应的样本作为目标训练样本;
利用所述目标训练样本,使用机器学习回归算法进行训练,得到预测模型;
将所述待测材料的原始材料参数输入所述预测模型,输出得到性能预测值。
2.如权利要求1所述的基于动态选取训练集的材料性能预测方法,其特征在于,所述利用主成分分析法,获取所述各样本对应的降维数据,以及与所述原始材料参数对应的特征权重向量,并对所述各样本对应的降维数据进行坐标表示包括:
利用主成分分析法,将原来的高维原始材料参数数据降低为二维数据,将第一主成分xn记为X轴坐标,将第二主成分yn记为Y轴坐标,坐标表示为(xn,yn),所述n表示训练数据库中样本个数;所述第一主成分对应的特征权重向量记为向量a,所述第二主成分对应的特征权重向量记为向量b。
3.如权利要求2所述的基于动态选取训练集的材料性能预测方法,其特征在于,所述获取待测材料的原始材料参数数据,乘以所述特征权重向量,得到所述待测材料的降维数据,并进行坐标表示包括:
获取待测材料的原始材料参数数据,乘以所述向量a,得到其X轴坐标x′0,将所述待测材料的原始材料参数数据,乘以所述向量b,得到其Y轴坐标值y′0,进而得到其降维数据并进行坐标表示为(x′0,y′0)。
4.如权利要求1所述的基于动态选取训练集的材料性能预测方法,其特征在于,所述利用主成分分析法,获取所述各样本对应的降维数据,以及与所述原始材料参数对应的特征权重向量,并对所述各样本对应的降维数据进行坐标表示包括:
利用主成分分析法,将原来的高维原始材料参数数据降低为三维数据,将第一主成分xn记为X轴坐标,将第二主成分yn记为Y轴坐标,将第三主成分zn记为Z轴坐标,坐标表示为(xn,yn,zn),所述n表示训练数据库中样本个数;所述第一主成分对应的特征权重向量记为向量a,所述第二主成分对应的特征权重向量记为向量b,所述第三主成分对应的特征权重向量记为向量c。
5.如权利要求4所述的基于动态选取训练集的材料性能预测方法,其特征在于,所述获取待测材料的原始材料参数数据,乘以所述特征权重向量,得到所述待测材料的降维数据,并进行坐标表示包括:
获取待测材料的原始材料参数数据,乘以所述向量a,得到其X轴坐标x′0,将所述待测材料的原始材料参数数据,乘以所述向量b,得到其Y轴坐标值y′0,将所述待测材料的原始材料参数数据,乘以所述向量c,得到其Z轴坐标值z′0,进而得到其降维数据并进行坐标表示为(x′0,y′0,z′0)。
6.如权利要求1-5任一项所述的基于动态选取训练集的材料性能预测方法,其特征在于,所述方法还包括:
判断目标训练样本个数是否达到设定个数阈值,若否,将所述距离概率密度曲线的第二个波峰及之前所对应的距离范围,作为目标距离范围;以此类推,直至对应的目标训练样本个数刚好超过所述设定个数阈值。
7.如权利要求6所述的基于动态选取训练集的材料性能预测方法,其特征在于,所述机器学习回归算法为Adaboost回归算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110708495.3A CN113345538B (zh) | 2021-06-23 | 2021-06-23 | 一种基于动态选取训练集的材料性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110708495.3A CN113345538B (zh) | 2021-06-23 | 2021-06-23 | 一种基于动态选取训练集的材料性能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113345538A CN113345538A (zh) | 2021-09-03 |
CN113345538B true CN113345538B (zh) | 2022-09-30 |
Family
ID=77478638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110708495.3A Active CN113345538B (zh) | 2021-06-23 | 2021-06-23 | 一种基于动态选取训练集的材料性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113345538B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763466A (zh) * | 2010-01-20 | 2010-06-30 | 西安电子科技大学 | 基于动态样本选择集成的生物信息识别方法 |
CN106056043A (zh) * | 2016-05-19 | 2016-10-26 | 中国科学院自动化研究所 | 基于迁移学习的动物行为识别方法和装置 |
CN108959713A (zh) * | 2018-06-05 | 2018-12-07 | 天津大学 | 基于卷积神经网络的目标距离与正对位置偏移测量方法 |
CN109325513A (zh) * | 2018-08-01 | 2019-02-12 | 中国计量大学 | 一种基于海量单类单幅图像的图像分类网络训练方法 |
WO2020061172A1 (en) * | 2018-09-19 | 2020-03-26 | Dolby Laboratories Licensing Corporation | Automatic display management metadata generation for gaming and/or sdr+ contents |
CN111695598A (zh) * | 2020-05-11 | 2020-09-22 | 东南大学 | 一种基于生成对抗网络的监测数据异常诊断方法 |
CN112214933A (zh) * | 2020-10-20 | 2021-01-12 | 集萃新材料研发有限公司 | 一种基于机器学习的疲劳性能预测方法 |
CN112560826A (zh) * | 2021-02-24 | 2021-03-26 | 航天宏图信息技术股份有限公司 | 图像分类模型的训练方法、图像分类方法及装置 |
CN112785450A (zh) * | 2020-12-30 | 2021-05-11 | 北京农业信息技术研究中心 | 一种土壤环境质量分区方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107924384A (zh) * | 2015-03-11 | 2018-04-17 | 阿雅斯迪公司 | 用于使用预测学习模型预测结果的系统和方法 |
WO2019010147A1 (en) * | 2017-07-05 | 2019-01-10 | Siemens Aktiengesellschaft | SEMI-SUPERVISED ITERATIVE LEARNING OF KEY POINTS AND INVARIANT CHARACTERISTICS IN VIEW OF THE VISUAL RECOGNITION |
US20200242511A1 (en) * | 2019-01-30 | 2020-07-30 | Oracle International Corporation | Dynamic Data Selection for a Machine Learning Model |
US11164099B2 (en) * | 2019-02-19 | 2021-11-02 | International Business Machines Corporation | Quantum space distance estimation for classifier training using hybrid classical-quantum computing system |
-
2021
- 2021-06-23 CN CN202110708495.3A patent/CN113345538B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763466A (zh) * | 2010-01-20 | 2010-06-30 | 西安电子科技大学 | 基于动态样本选择集成的生物信息识别方法 |
CN106056043A (zh) * | 2016-05-19 | 2016-10-26 | 中国科学院自动化研究所 | 基于迁移学习的动物行为识别方法和装置 |
CN108959713A (zh) * | 2018-06-05 | 2018-12-07 | 天津大学 | 基于卷积神经网络的目标距离与正对位置偏移测量方法 |
CN109325513A (zh) * | 2018-08-01 | 2019-02-12 | 中国计量大学 | 一种基于海量单类单幅图像的图像分类网络训练方法 |
WO2020061172A1 (en) * | 2018-09-19 | 2020-03-26 | Dolby Laboratories Licensing Corporation | Automatic display management metadata generation for gaming and/or sdr+ contents |
CN111695598A (zh) * | 2020-05-11 | 2020-09-22 | 东南大学 | 一种基于生成对抗网络的监测数据异常诊断方法 |
CN112214933A (zh) * | 2020-10-20 | 2021-01-12 | 集萃新材料研发有限公司 | 一种基于机器学习的疲劳性能预测方法 |
CN112785450A (zh) * | 2020-12-30 | 2021-05-11 | 北京农业信息技术研究中心 | 一种土壤环境质量分区方法及系统 |
CN112560826A (zh) * | 2021-02-24 | 2021-03-26 | 航天宏图信息技术股份有限公司 | 图像分类模型的训练方法、图像分类方法及装置 |
Non-Patent Citations (2)
Title |
---|
一种动态调整训练集的中文文本分类系统;欧阳勇等;《湖北工业大学学报》;20091231;第24卷(第5期);第58-59页 * |
分类器的动态选择与循环集成方法;郝红卫等;《自动化学报》;20111130;第37卷(第11期);第1291-1295页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113345538A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | An empirical analysis of data preprocessing for machine learning-based software cost estimation | |
JP4697670B2 (ja) | 識別用データ学習システム、学習装置、識別装置及び学習方法 | |
CN109783879B (zh) | 一种雷达辐射源信号识别效能评估方法及系统 | |
US20110029469A1 (en) | Information processing apparatus, information processing method and program | |
JP2007140694A (ja) | 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
US6829561B2 (en) | Method for determining a quality for a data clustering and data processing system | |
CN111353373A (zh) | 一种相关对齐域适应故障诊断方法 | |
Dai et al. | Feature selection via max-independent ratio and min-redundant ratio based on adaptive weighted kernel density estimation | |
JP4653547B2 (ja) | 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
CN113345538B (zh) | 一种基于动态选取训练集的材料性能预测方法 | |
CN113408696A (zh) | 深度学习模型的定点量化方法及装置 | |
CN111353689B (zh) | 一种风险评估方法及装置 | |
Pereira et al. | Assessing active learning strategies to improve the quality control of the soybean seed vigor | |
CN116129189A (zh) | 一种植物病害识别方法、设备、存储介质及装置 | |
CN114422450B (zh) | 基于多源网络流量数据的网络流量分析方法和装置 | |
US20220405534A1 (en) | Learning apparatus, information integration system, learning method, and recording medium | |
JP6831221B2 (ja) | 学習装置及び学習方法 | |
Neshatian et al. | Genetic programming for performance improvement and dimensionality reduction of classification problems | |
CN112884065A (zh) | 一种基于支持向量机的深度学习模型鲁棒边界评估方法、装置和应用 | |
CN113269217A (zh) | 基于Fisher准则的雷达目标分类方法 | |
WO2017121053A1 (zh) | 一种评估目标之间冲突程度的方法及其系统 | |
KR102222256B1 (ko) | 데이터를 분류하는 장치, 방법 및 컴퓨터 프로그램 | |
CN115641201B (zh) | 数据异常检测方法、系统、终端设备及存储介质 | |
CN113469244B (zh) | 小众app分类系统 | |
JP2018151913A (ja) | 情報処理システム、情報処理方法、及びプログラム |
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 |