公开(公告)号：CN116364211A

公开(公告)日：2023-06-30

申请号：CN202310317884.2

申请日：2023-03-28

Applicant: 哈尔滨理工大学

Inventor： 李述 ,  杨佳 ,  李帅 ,  张洺玉 ,  杨志远

IPC: G16C20/70 ,  G16C20/90 ,  G16C20/20 ,  G16C60/00 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/084 ,  G06F18/213 ,  G06F18/2111 ,  G06F18/24

Abstract: 本发明提供一种基于经验参数和卷积神经网络结合元素周期表提取特征的高熵合金机器学习相预测方法及装置，属于高熵合金相预测领域。为解决现有技术对高熵合金相预测时特征提取与模型性能上的问题。包括：步骤一、构建高熵合金成分信息和相标签的分类数据集；步骤二、构建五种传统机器学习模型并选出最优模型；步骤三、构建卷积神经网络，对根据成分信息映射的元素周期表形式的二维伪图像进行自动提取特征并进行预测；步骤四、将经验参数与卷积神经网络提取的特征进行合并并基于遗传算法进行筛选，选出最优特征组合；步骤五、将步骤四的最优特征组合作为步骤二中选出的最优模型的输入，进行重新训练，得到高熵合金相预测模型。通过本发明方法得到的高熵合金相预测模型具有更高的准确性。