[发明专利]一种基于迁移学习的锡铋合金性能预测方法

权利要求书

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W_ij为可见层神经元i到隐藏层神经元j的连接权值，b_j为可见层第j个神经元的偏置，c_i为隐藏层第i个神经元的偏置；v_j为见层中第j个神经元的状态；h_i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。