-
公开(公告)号：CN112216356B
公开(公告)日：2025-02-21
申请号：CN202011140018.3
申请日：2020-10-22
Applicant: 哈尔滨理工大学
Abstract: 一种基于机器学习的高熵合金硬度预测方法，属于金属材料硬度预测技术领域，用以解决传统方法预测搜索性能优异的高熵合金耗时耗力且不准确的问题。该方法包括，获取用来预测高熵合金硬度的特征数据训练集；对特征数据进行筛选，获取最优特征组合；通过十重交叉验证方法选择机器学习模型；采用选择的机器学习模型并输入最优特征组合进行模型训练；根据训练好的模型对未知的高熵合金硬度进行预测，挑选出预测硬度高且预测可信性好的高熵合金。本发明中的特征筛选方法与现有的穷举法需要排列所有特征的组合去寻找最优特征相比，在基于机器学习算法进行高熵合金硬度预测时，不仅对高熵合金性能预测较为准确，而且更为节省计算资源与时间。
-
公开(公告)号：CN116434880A
公开(公告)日：2023-07-14
申请号：CN202310204380.X
申请日：2023-03-06
Applicant: 哈尔滨理工大学
IPC: G16C60/00 , G06F18/2321
Abstract: 本发明提供一种基于模糊自洽式聚类集成的高熵合金硬度预测方法，属于合金硬度预测技术领域。为解决现有方法无法有效避免类簇标签值的大小对对象间关系的影响，共识结果很难准确地映射出基聚类结果间的实际差异，且处理不确定性关系的能力较弱的问题。本发明方法将基聚类结果作为样本点特征，将基聚类结果采用缩放的哑变量的形式表示；采用模糊算子构建所有样本点的关系矩阵；基于关系矩阵计算各样本点的局部密度和相对距离，以识别聚类中心和分配非中心点，并构建再分配策略对共识聚类结果中的不确定性样本点进行修正。本发明消除了基聚类结果间划分差异的影响，从模糊算子的角度审视对象间的模糊关系，有效地提升对模糊关系的处理能力。
-
公开(公告)号：CN115691700A
公开(公告)日：2023-02-03
申请号：CN202211397847.9
申请日：2022-11-09
Applicant: 哈尔滨理工大学
IPC: G16C20/30 , G06F18/2321
Abstract: 本发明提供一种基于三种共识策略的双粒度聚类集成算法的高熵合金硬度预测方法，涉及合金硬度预测技术领域，为解决现有技术中采用单一聚类方法不能同时适用于不同分布特征的数据集，即使在同一种数据分布下往往也不能达到稳定、统一的聚类效果的问题。本发明将高熵合金数据集X＝{x1，x2，...，xN}∈Rh利用聚类算法生成基聚类组合Π＝{π1，π2，...，πM}；将给定的共识函数嵌入到选择策略，去除基聚类集合中的噪声成员，并计算得到的基聚类组合的共识结果，采用可调DS证据理论共识策略将去除噪声成员后得到的共识结果进行融合，得到不同类簇的最终划分结果；将不同类簇各自建立回归模型进行硬度预测计算。本发明采用的聚类方法能够提取多个基聚类信息，实现更好性能的聚类结果。
-
公开(公告)号：CN115394381A
公开(公告)日：2022-11-25
申请号：CN202211015507.5
申请日：2022-08-24
Applicant: 哈尔滨理工大学
Abstract: 本发明提供一种基于机器学习和两步法数据扩充的高熵合金硬度预测方法及装置，属于合金硬度预测领域。为解决现有技术对高熵合金硬度进行预测时往往因数据不足而进行数据扩充，其数据扩充方法无法保证生成数据的质量，不利于提高高熵合金的硬度预测准确度的问题。包括：步骤一、构建高熵合金物理特征与硬度的原始训练集；步骤二、构建GAN神经网络模型，对原始训练集特征进行扩充；步骤三、构建机器学习模型，将扩充特征数据集的特征生成标签，得到扩充训练集；步骤四、将扩充训练集与原始训练集构建合并训练集；步骤五、采用合并训练集对机器学习模型进行调参并训练，得到高熵合金硬度模型。通过本发明方法得到高熵合金硬度模型具有更高的准确性。
-
公开(公告)号：CN114613456A
公开(公告)日：2022-06-10
申请号：CN202210221449.5
申请日：2022-03-07
Applicant: 哈尔滨理工大学
Abstract: 本发明提供了一种基于改进密度峰值聚类算法的高熵合金硬度预测方法，属于合金硬度预测领域。为了解决高熵合金数据集数据结构差异较大，采用传统的回归模型直接对整个高熵合金数据集的硬度进行预测，不能较好的学习到高熵合金数据集的内部结构特征，导致预测能力较差的问题。本发明包括以下步骤：1、针对原始的密度峰值聚类算法进行改进得到改进密度峰值聚类算法，称为SKTDPC算法；步骤1‑1、基于K‑d树加速局部密度的计算；步骤1‑2、通过稀疏搜索策略加速相对距离的计算；步骤1‑3、聚类中心的自适应确定；步骤2、依据改进密度峰值聚类算法对高熵合金硬度进行预测；本发明改进密度峰值聚类算法进行了双重加速，降低了算法的复杂度。
-
Patent Agency Ranking
公开(公告)号：CN110328558B
公开(公告)日：2021-06-01
申请号：CN201910619658.3
申请日：2019-07-10
Applicant: 哈尔滨理工大学
IPC: B23Q15/14
Abstract: 铣削钛合金表面形貌特征一致性分布工艺控制方法，属于钛合金铣削加工技术领域，本发明为了解决铣削钛合金时，受表面形貌特征参数频繁变动影响，加工表面质量分布的一致性较难控制的问题。步骤a，表面形貌特征参数的提取；步骤b，铣削钛合金表面形貌特征参数预测模型构建；步骤c，对铣削钛合金加工质量分布一致性评判；步骤d，对铣削钛合金加工质量一致性分布工艺控制。本发明的铣削钛合金表面形貌特征一致性分布工艺控制方法能够较为完整的描述长铣削行程条件下，加工表面的形貌特征变化特性及分布规律，可以定量评判铣削钛合金中加工质量分布的一致性程度，使得通过工艺控制方法的设计目标更加实际。
-
公开(公告)号：CN115394381B
公开(公告)日：2023-08-22
申请号：CN202211015507.5
申请日：2022-08-24
Applicant: 哈尔滨理工大学
Abstract: 本发明提供一种基于机器学习和两步法数据扩充的高熵合金硬度预测方法及装置，属于合金硬度预测领域。为解决现有技术对高熵合金硬度进行预测时往往因数据不足而进行数据扩充，其数据扩充方法无法保证生成数据的质量，不利于提高高熵合金的硬度预测准确度的问题。包括：步骤一、构建高熵合金物理特征与硬度的原始训练集；步骤二、构建GAN神经网络模型，对原始训练集特征进行扩充；步骤三、构建机器学习模型，将扩充特征数据集的特征生成标签，得到扩充训练集；步骤四、将扩充训练集与原始训练集构建合并训练集；步骤五、采用合并训练集对机器学习模型进行调参并训练，得到高熵合金硬度模型。通过本发明方法得到高熵合金硬度模型具有更高的准确性。
-
公开(公告)号：CN110961987A
公开(公告)日：2020-04-07
申请号：CN201911317097.8
申请日：2019-12-19
Applicant: 哈尔滨理工大学
IPC: B23Q17/20
Abstract: 本发明公开了一种加工表面形貌分布特性的表征与解算方法，是针对现有方法无法完整反映工件已加工表面形貌结构所提出，其通过立铣刀铣削加工表面形貌实验及控制变量提取方法、已加工表面形貌变化特性检测与表征方法、铣削振动影响下铣刀及其刀齿切削行为表征方法、刀齿铣削微元与已加工表面形貌单元解算方法、对已加工表面形貌分布特性解算方法的验证，从而确定解算方法正确。本发明通过立铣刀铣削加工表面形貌实验和仿真，对已加工表面全区域进行网格划分，识别并提取已加工表面网格单元的已加工表面形貌单元轮廓特征点，利用高次多项式构建已加工表面形貌单元轮廓曲面，采用改进灰色关联分析算法，验证已加工表面形貌单元解算方法的正确性。
-
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
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。
-
公开(公告)号：CN115691700B
公开(公告)日：2023-05-02
申请号：CN202211397847.9
申请日：2022-11-09
Applicant: 哈尔滨理工大学
IPC: G16C20/30 , G06F18/2321
Abstract: 本发明提供一种基于三种共识策略的双粒度聚类集成算法的高熵合金硬度预测方法，涉及合金硬度预测技术领域，为解决现有技术中采用单一聚类方法不能同时适用于不同分布特征的数据集，即使在同一种数据分布下往往也不能达到稳定、统一的聚类效果的问题。本发明将高熵合金数据集X＝{x1，x2，...，xN}∈Rh利用聚类算法生成基聚类组合Π＝{π1，π2，...，πM}；将给定的共识函数嵌入到选择策略，去除基聚类集合中的噪声成员，并计算得到的基聚类组合的共识结果，采用可调DS证据理论共识策略将去除噪声成员后得到的共识结果进行融合，得到不同类簇的最终划分结果；将不同类簇各自建立回归模型进行硬度预测计算。本发明采用的聚类方法能够提取多个基聚类信息，实现更好性能的聚类结果。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.022 seconds)
