CN114239404A - 一种基于多目标优化的材料智能优化设计方法 - Google Patents

一种基于多目标优化的材料智能优化设计方法 Download PDF

Info

Publication number
CN114239404A
CN114239404A CN202111553331.4A CN202111553331A CN114239404A CN 114239404 A CN114239404 A CN 114239404A CN 202111553331 A CN202111553331 A CN 202111553331A CN 114239404 A CN114239404 A CN 114239404A
Authority
CN
China
Prior art keywords
model
performance
optimization
data
target
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
Application number
CN202111553331.4A
Other languages
English (en)
Inventor
胡旺
章语
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202111553331.4A priority Critical patent/CN114239404A/zh
Publication of CN114239404A publication Critical patent/CN114239404A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多目标优化的材料智能优化设计方法，属于材料设计领域。本发明包括：收集包含材料成分和性能的数据样本；构建能映射材料成分到性能的预测模型，构建能映射材料成分和性能分布的评估模型，融合预测模型和评估模型得到多目标代理模型；求解该多目标代理模型的帕累托阈值前沿；在帕累托阈值前沿中根据两级最优决策方案和需求目标选择兴趣解集，再根据实验得到新样本，若新样本性能达到需求则停止，否则基于新样本进行迭代优化。本发明通过采用机器学习和多目标进化方法同步优化多个材料的性能指标，可以大大减少材料优化设计过程中的试错成本，提高材料优化设计过程的可靠性和可操作性。

Description

一种基于多目标优化的材料智能优化设计方法
技术领域
本发明属于材料设计领域，具体涉及一种基于多目标优化的材料智能优化设计方法。
背景技术
新材料研发是一门以实践为主的学科，其理论的发展往往落后于实践。在化学、物理学等传统学科基础上发展起来的材料科学与工程，主要研究材料成分、结构、加工工艺及其性能和应用，这是一个涉及多学科交叉的非常复杂而又极其实用的专业领域。长期以来，人类致力于认识和探索新材料，进而改造或创制新材料，通过提升材料应用的性能、降低材料产业化制备和应用的成本，达到造福人类的目的。
随着计算机技术的不断发展，智能化的手段越来越多地应用于材料优化设计中。
常规的材料优化设计方法是通过回归分析历史数据，得到一条近似的性能预测曲线。该方法一般采用较为通用的线性函数或逻辑斯蒂函数的拟合模型，不能根据每个材料不同的特征使用不同的模型进行分析。其他的基于机器学习的材料优化设计方法是直接将成分和性能去训练一个最佳的代理模型，如神经网络等。
以上利用回归分析、神经网络等方法构建出的代理模型在寻优时一般具有较大误差。由于在寻优时只考虑了成分到性能的映射关系，这将导致寻优时的误差较大，进而导致设计出的材料与预估值有较大误差等缺陷。
发明内容
本发明的目的在于：提供一种多目标材料智能设计方法，以解决上述现有的材料优化设计方法中因为只采用了回归分析、神经网络等较为单一的拟合模型，无法在代理模型寻优过程中获得较大精度，导致最终设计出的材料与预估值误差较大的缺陷。
本发明采用的技术方案如下：
一种基于多目标优化的材料智能优化设计方法，所述方法包括：
步骤1、收集包含材料成分和性能的数据样本，即历史样本数据；
步骤2、采用机器学习法构建能映射材料成分到性能的预测模型；
步骤3、采用机器学习法构建能映射材料成分和性能分布的分布模型(即评估模型)；
步骤4、将分布模型与预测模型的输出并入至少一个全连接层，得到多目标代理模型；即对分布模型与预测模型的输出进行融合，并作为多目标代理模型；
步骤5、求解所述多目标代理模型的帕累托阈值前沿(即材料性能帕累托(Pareto)阈值前沿)，并在帕累托阈值前沿中根据两级最优决策法选择与目标需求匹配的候选解集，即在帕累托阈值前沿中根据两级最优决策方案和用户(决策者)目标需求，选择用户感兴趣的兴趣解集；
步骤6、在候选解集上通过实验(如正交实验方法或者均匀设计方法等)得到新的材料样本(即新样本)，若所述新的材料样本的指定性能达到设计的期望目标性能值则停止实验，否则以新的材料样本作为数据样本并输入匹配的信息到多目标代理模型，继续执行步骤5至6。即将当前的新样本加入到多目标代理模型中继续迭代优化。
优选的，步骤1中，根据文献资料或历史实验收集待设计材料的历史样本数据。
优选的，多目标代理模型的输入为材料的多个成分或工艺参数，输出为材料的多个性能指标，而优化的多个目标是材料的多个性能指标。
优选的，帕累托阈值前沿是由一组互不占优的材料性能指标值所组成，通过多目标优化方法，对多目标代理模型进行优化求解而得到，即得到的两目标最小帕累托前沿是一个数据的集合，并不代表某条具体的曲线。
优选的，所述多目标优化方法包括但不限于：数据优化方法、多目标进化优化方法，如多目标遗传算法、多目标粒子群优化算法等。即在已有材料的数据样本上的多目标最大化Pareto前沿，能够代表模型预测出的最大性能指标。
优选的，多目标代理模型的构建包括：
使用全连接网络去拟合已采集材料的历史数据，并按照指定比例(如4:1)划分训练数据和测试数据；
基于训练数据对多目标代理模型的网络参数进行学习训练时，采用损失函数和正则化项作为双目标优化问题中的两个目标；
并采用多目标优化方法获取对应的预测模型训练误差的帕累托阈值前沿，随后采用两级最优决策法在预测模型训练误差的阈值前沿中选出指定数量(如5个)的候选解集，并根据候选集在预测数据上的最终性能来确定预测模型的网络参数；
根据不同的解集对应的多目标代理模型在测试数据上的性能，最终选择一组性能最好的网络参数，以完成预测模型(即多目标预测模型)的构建；
将已采集材料的历史数据去训练一个能表征原始数据样本分布的对抗生成网络，当满足预置的训练结束条件时，将对抗生产网络中的对抗网络作为分布模型；
将分布模型与预测模型的输出并入至少一个全连接层，得到多目标代理模型。
优选的，收集的数据样本和材料帕累托阈值前沿具有相同的物理指标。
优选的，步骤5中，采用占优判别比较求解所述多目标代理模型的帕累托阈值前沿，所述占优判别比较，用于比较两个多维变量的大小，具体方式包括但不限于：Pareto占优比较方法、松弛Pareto占优比较方法(如ε-Pareto占优)或任意一种用于区分多维变量的比较方法。
优选的，收集的数据样本通过真实实验获取对应数据并经过数据预处理得到，数据预处理包括：滤波去噪。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、可以构建更为准确的多目标代理模型而不需要太多先验知识，可以显著提高材料优化设计的可靠性和可操作性。
2、构建代理模型时从数据样本中使用了多种信息，可以减少代理模型带来的偏差。
3、通过多目标智能优化，可以快速找到多目标代理模型的上边界，提高材料优化设计的可操作性。
4、提出了一种多目标材料智能设计方法，可以不依赖先验知识构建多目标代理模型；在寻找材料的Pareto阈值前沿时采用的多目标优化的方法可以更科学高效地找到最优点集合。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1是本发明实施例提供的一种基于多目标优化的材料智能优化设计方法的处理过程示意图；
图2是本发明实施例中，多目标代理模型的构建示意图；
图3是本发明实施例中，基于多目标代理模型的计算处理过程示意图；
图4是本发明实施例中的材料优化设计案例图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种基于多目标优化的材料智能优化设计方法，以解决现有的材料优化设计方法难以同时优化相互冲突的多个性能指标的技术问题。本发明实施例包括：收集包含材料成分和性能的数据样本；构建能映射材料成分到性能的预测模型，并将此模型作为寻优过程中的适应度函数值；构建能映射材料成分和性能分布的评判网络，并将此模型与适应度函数值融合，以得到带评分机制的适应度函数值，并作为多目标代理模型；求解该多目标代理模型的帕累托阈值前沿；在帕累托阈值前沿中根据两级最优决策方案和决策者的领域知识选择决策者感兴趣的解集；在选择的依据上根据正交实验方法或者均匀设计方法去实验得到新的数据，如果数据性能达到设计的目标性能就停止实验，否则就将新增样本点加入到原模型中继续迭代。本发明实施例通过采用机器学习和多目标进化方法同步优化多个材料的性能指标，可以大大减少材料优化设计过程中的试错成本，提高材料优化设计过程的可靠性和可操作性。
作为一种可能的实现方式，参见图1，本发明实施例提供的基于多目标优化的材料智能优化设计方法包括如下步骤：
步骤1、收集包含材料成分和性能的数据样本，本发明实施例中，收集通过预实验获取的材料数据样本；
作为一种可能的实现方式，本实施例中，结合材料专业领域知识和主成分分析法(PCA)识别数据中的主因素序列以及水平值的范围；结合材料专业知识，识别目标性能指标，尽可能剔除线性相关指标；其中，具有某种线性相关性，剔除后不会影响模型的性能，同时会降低模型的复杂度。
步骤2、构建能反映材料数据拟合信息的预测模型，以及构建能反映材料数据分布信息的分布模型，并融合后构成多目标代理模型。多目标代理模型具有多个输入变量即多个成分影响因素和多个输出变量即材料性能的评价指标；预测模型也是一种多目标模型，即多目标预测模型是通过对已收集的数据样本进行学习训练而得到的一个或一组显示函数(回归方程、核函数等)或隐式模型(如通过连接权重和阈值表达的神经网络)，多目标预测模型的学习训练方法可以是机器学习方法中的一种或多种集成；多目标预测模型的输入为材料的成分，而输出为指定性能。
本实施例中，多目标预测模型的输出为两目标，且输出的两目标为矫顽力Hcj和剩磁Br，优化的算法采用多目标粒子群算法，得到的两目标最优帕累托前沿是一个数据的集合，并不代表某条具体的曲线。
本发明实施例中，多目标预测模型的构建为：首先使用全连接网络去拟合材料的历史数据，并按照4：1的比例划分训练数据和测试数据，之后在训练过程中采用损失函数和正则化项作为双目标优化问题中的两个目标，然后采用多目标优化方法(如多目标粒子群算法)去获取对应的训练误差帕累托阈值前沿，随后采用两级最优决策方法在训练误差帕累托阈值前沿中选出指定数量(例如5个)的候选解集，并根据这5个解集在预测数据上的最终性能来确定代理模型的参数。
本发明实施例中，根据不同的解集对应的代理模型在测试数据上的性能，并最终选择了一组性能最好的参数(在测试数据上的MSE(均方差)最小的参数)并完成了多目标预测模型的构建。由于此时多目标预测模型并不是一个分类器，所以还需要通过多目标寻优找到多目标预测模型的两目标最优帕累托曲线，优选使用多目标粒子群优化算法对神经网络的两输出矫顽力Hcj和剩磁Br进行两目标最优化寻优；随后通过对抗生成式训练同时训练对抗网络和生成网络，其中，对抗网络和生成网络的具体结构可以采用深度学习领域中的任一惯用的网络结构，本发明对此不作具体限定。当训练完成后，即满足预设的训练结束条件时，再将能反映材料数据分布信息的对抗网络作为分布模型，与预测模型融合后构成最终的多目标代理模型。
定义y1表示多目标代理模型的输出，y2表示多目标预测模型的输出，y3表示分布模型的输出，则有：y1＝y2*(1-ε*y3)，其中，ε表示预置的控制参数。
步骤3、求解磁性材料多目标代理模型的帕累托阈值前沿，材料性能帕累托阈值前沿是由一组互不占优的材料性能指标值所组成，通过多目标优化方法，对多目标代理模型进行优化求解而得到，多目标优化方法包括数据优化方法、或多目标进化优化方法，如多目标遗传算法、多目标粒子群优化算法。在材料数据样本上的多目标最大化Pareto前沿，能够代表模型预测出的最大指标；需要预测的材料样本点和材料帕累托阈值前沿具有相同的物理指标；
步骤4、在材料帕累托前沿中结合两级最优决策法和材料设计者的偏好信息去选择部分解作为材料设计的依据，以得到兴趣解集；优选的，所述两级最优决策法是一种先粗后精的两级选择模式来获取用户感兴趣的解集，其中，先粗后精指先粗略地选择拐点和和极端点，然后在拐点和极端点中精细地选择他们附近的邻居，最后将拐点，极端点和它们的邻居作为用户的兴趣解集。即先从候选解中确定拐点和极端点，然后再基于拐点、极端点及其邻居点确定兴趣解集。
步骤5、在选择的依据上根据正交实验方法或者均匀设计方法去实验得到新的材料样本(即新的样本点)，如果数据性能达到设计的目标性能就停止实验，否则就将样本点加入到原模型中继续迭代。
图1中，为了便于区分迭代优化前后的多目标代理模型，将通过全连接层融合的预测模型和分布模型称为初始代理模型，将基于新的样本点进行相似评估的多目标代理模型称为动态代理模型，进而当数据性能达到设计的目标性能时(停止实验)的当前动态代理模型作为最终得到的多目标材料代理模型。
以采集81个(Ce0.4Nd0.6)32.7FeB和Nd2Fe14B的数据为例进一步描述本发明实施例。该采集的数据数据包含温度、变形速度和变形量3个模型的输入与矫顽力Hcj和剩磁Br这两个模型的输出。
本实施例中，材料成分的性能包括：矫顽力，剩磁，抗拉强度，氧化速率，延伸率，持久极限，持久寿命，抗氧化性，抗腐蚀性，热导率、线膨胀率、弹性模量、电阻率，室温拉伸强度、高温拉伸强度、延伸率、断面收缩率，扭转性能、疲劳性能、疲劳性能、蠕变性能、冲击性能、断裂性能，焊接工艺性能、成型工艺性能等。
同时在材料帕累托前沿中结合两级最优决策方法和材料设计者的偏好信息去选择部分解作为材料设计的依据。如图2所示，分别从材料帕累托前沿中选择了3个正方形点，并提取对应的温度、变形速度和变形量去做真实的实验，实验结果的性能如图中3个菱形点所示，此时这三个点的实验结果和模型预测的结果误差为8.63％，5.11％和5.35％。由于已经满足设计需求，故不再继续迭代模型。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种基于多目标优化的材料智能优化设计方法，其特征在于，包括下列步骤：
步骤1、收集包含材料成分和性能的数据样本；
步骤2、采用机器学习法构建能映射材料成分到性能的预测模型；
步骤3、采用机器学习法构建能映射材料成分和性能分布的分布模型；
步骤4、将分布模型与预测模型的输出并入至少一个全连接层，得到多目标代理模型；
步骤5、求解所述多目标代理模型的帕累托阈值前沿，并在帕累托阈值前沿中根据两级最优决策法选择与目标需求匹配的候选解集；
步骤6、在候选解集上通过实验得到新的材料样本，若所述新的材料样本的指定性能达到设计的期望目标性能值则停止实验，否则以新的材料样本作为数据样本并输入匹配的信息到多目标代理模型，继续执行步骤5至6。
2.如权利要求1所述的方法，其特征在于，步骤1中，根据文献资料或历史实验收集包含材料成分和性能的数据样本。
3.如权利要求1所述的方法，其特征在于，所述多目标代理模型的输入为材料的多个成分或工艺参数，输出为材料的多个材料性能指标。
4.如权利要求3所述的方法，其特征在于，所述帕累托阈值前沿是由一组互不占优的材料性能指标值所组成，并通过多目标优化方法，对多目标代理模型进行优化求解而得到。
5.如权利要求4所述的方法，其特征在于，所述多目标优化方法为数据优化方法或多目标进化优化方法。
6.如权利要求1所述的方法，其特征在于，所述多目标代理模型的构建包括：
使用全连接网络拟合步骤1采集的数据样本，并按照指定比例将所述数据样本划分训练数据和测试数据；
基于训练数据对多目标代理模型的网络参数进行学习训练时，采用损失函数和正则化项作为双目标优化问题中的两个目标；
并采用多目标优化方法获取对应的预测模型训练误差的帕累托阈值前沿，随后采用两级最优决策法在预测模型训练误差的阈值前沿中选出指定数量的候选解集，并根据候选集在预测数据上的最终性能来确定预测模型的网络参数；
根据不同的解集对应的多目标代理模型在测试数据上的性能，最终选择一组性能最好的网络参数，得到训练好的预测模型；
配置能表征原始数据样本分布的对抗生成网络，并基于训练数据进行网络参数训练，当满足预置的训练结束条件时，将对抗生产网络中的对抗网络作为分布模型；
再将该分布模型与训练好的预测模型的输出并入至少一个全连接层，得到多目标代理模型。
7.如权利要求1所述的方法，其特征在于，步骤1中收集的数据样本与步骤5中的帕累托阈值前沿具有相同的物理指标。
8.如权利要求1所述的方法，其特征在于，步骤5中，采用占优判别比较求解所述多目标代理模型的帕累托阈值前沿。
9.如权利要求1所述的方法，其特征在于，步骤6中，得到新的材料样本的实验方法为正交实验方法或均匀设计方法。
10.如权利要求1所述的方法，其特征在于，步骤1中，收集的数据样本通过真实实验获取，并对收集的数据样本的性能进行滤波去噪处理。
CN202111553331.4A 2021-12-17 2021-12-17 一种基于多目标优化的材料智能优化设计方法 Pending CN114239404A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111553331.4A CN114239404A (zh) 2021-12-17 2021-12-17 一种基于多目标优化的材料智能优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111553331.4A CN114239404A (zh) 2021-12-17 2021-12-17 一种基于多目标优化的材料智能优化设计方法

Publications (1)

Publication Number Publication Date
CN114239404A true CN114239404A (zh) 2022-03-25

Family

ID=80758179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111553331.4A Pending CN114239404A (zh) 2021-12-17 2021-12-17 一种基于多目标优化的材料智能优化设计方法

Country Status (1)

Country Link
CN (1) CN114239404A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115017844A (zh) * 2022-08-03 2022-09-06 阿里巴巴（中国）有限公司 设计参数调整方法、装置、电子设备和存储介质
CN115048886A (zh) * 2022-08-12 2022-09-13 阿里巴巴（中国）有限公司 设计参数调整方法、装置、电子设备和存储介质
CN117373582A (zh) * 2023-12-06 2024-01-09 小米汽车科技有限公司 基于仿真实验模型的材料成分预测方法、装置及存储介质
CN117454824A (zh) * 2023-12-26 2024-01-26 电子科技大学 基于双层多目标优化的芯片电路设计方法
CN117556775A (zh) * 2024-01-10 2024-02-13 电子科技大学 多目标芯片电路参数优化设计方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115017844A (zh) * 2022-08-03 2022-09-06 阿里巴巴（中国）有限公司 设计参数调整方法、装置、电子设备和存储介质
CN115048886A (zh) * 2022-08-12 2022-09-13 阿里巴巴（中国）有限公司 设计参数调整方法、装置、电子设备和存储介质
CN115048886B (zh) * 2022-08-12 2022-11-01 阿里巴巴（中国）有限公司 设计参数调整方法、装置、电子设备和存储介质
CN117373582A (zh) * 2023-12-06 2024-01-09 小米汽车科技有限公司 基于仿真实验模型的材料成分预测方法、装置及存储介质
CN117373582B (zh) * 2023-12-06 2024-04-26 小米汽车科技有限公司 基于仿真实验模型的材料成分预测方法、装置及存储介质
CN117454824A (zh) * 2023-12-26 2024-01-26 电子科技大学 基于双层多目标优化的芯片电路设计方法
CN117454824B (zh) * 2023-12-26 2024-03-01 电子科技大学 基于双层多目标优化的芯片电路设计方法
CN117556775A (zh) * 2024-01-10 2024-02-13 电子科技大学 多目标芯片电路参数优化设计方法
CN117556775B (zh) * 2024-01-10 2024-03-22 电子科技大学 多目标芯片电路参数优化设计方法

Similar Documents

Publication Publication Date Title
CN114239404A (zh) 一种基于多目标优化的材料智能优化设计方法
CN107909179B (zh) 一种插电式混合动力车辆行驶工况的预测模型构建方法及车辆能量管理方法
CN103443809B (zh) 判别模型学习设备、方法和程序
Shen et al. Weighted nonlinear dynamic system for deep extraction of nonlinear dynamic latent variables and industrial application
CN108445752A (zh) 一种自适应选择深度特征的随机权神经网络集成建模方法
CN107045569B (zh) 基于聚类多目标分布估计算法的齿轮减速器优化设计方法
CN110987436B (zh) 基于激励机制的轴承故障诊断方法
CN106156805A (zh) 一种样本标签缺失数据的分类器训练方法
JP7411977B2 (ja) 機械学習支援方法及び機械学習支援装置
CN111783335B (zh) 一种基于迁移学习的少样本结构频响动力学模型修正方法
CN111310348A (zh) 一种基于pso-lssvm的材料本构模型预测方法
CN110598902A (zh) 一种基于支持向量机与knn相结合的水质预测方法
CN112287980B (zh) 基于典型特征向量的动力电池筛选方法
CN104657574A (zh) 一种医疗诊断模型的建立方法及装置
CN113257357A (zh) 蛋白质残基接触图预测方法
CN105843212A (zh) 一种高炉故障诊断系统及方法
CN113408622A (zh) 计及特征量信息表达差异的非侵入式负荷辨识方法及系统
CN111090679B (zh) 基于时序影响和图嵌入的时序数据表示学习方法
CN116110526B (zh) 一种钛合金应力腐蚀临界应力强度因子预测方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN117170244A (zh) 一种基于igwo-svr的交流接触器控制参数优化方法
CN114626655A (zh) 一种区域综合能源系统多标准综合评价方法
CN111832645A (zh) 基于离散型乌鸦差分协同搜索算法的分类数据特征选择方法
CN114861436A (zh) 一种融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法
CN115809346A (zh) 一种基于多视图语义增强的小样本知识图谱补全方法

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