-
公开(公告)号：CN111914474A
公开(公告)日：2020-11-10
申请号：CN202010598527.4
申请日：2020-06-28
Applicant: 西安交通大学
IPC: G06F30/27 , G06N20/00 , G06K9/62 , G06F119/14
Abstract: 本发明公开了一种软物质黏弹性力学表征的分数阶KVFD多参量机器学习优化方法，包括：根据KVFD三种加载方式的解的情况，分别建立对应的K叉树字典；判断待测曲线所属的具体类型，进行全局搜索，获取曲线的参数[E0,α,τ]表示为向量，并放缩至一个参数区间，按照待测曲线所对应的KVFD模型生成预设数量的曲线，加入随机的高斯噪声，划分为训练集与测试集传入机器学习模型进行训练，选出RMSE最小的模型作为训练的最终模型；使用步骤3获得的最终模型对待测曲线进行参数估计；将参数估计获得的结果通过Q-learning算法进一步学习，获得优化结果。本发明结合了参数学习与启发式算法的特性，能够极大地提高参数优化的准确率与效率。
-
公开(公告)号：CN113077853B
公开(公告)日：2023-08-18
申请号：CN202110368257.2
申请日：2021-04-06
Applicant: 西安交通大学
IPC: G16C60/00 , G06F30/27 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/092 , G06F111/14 , G06F119/14
Abstract: 本发明公开了一种双loss价值网络深度强化学习KVFD模型力学参数全局优化方法及系统，所述方法包括以下步骤：S1，将预获取的纳米压痕测量曲线输入训练好的预测值获取网络，获得所述纳米压痕测量曲线的参数预测值；S2，将所述参数预测值作为深度强化学习算法的迭代初值进行迭代，获得预获取的纳米压痕测量曲线的全局参数解的逼近；所述全局参数解的逼近达到预设收敛条件时，将所述全局参数解的逼近作为KVFD模型的力学参数进行输出。本发明的方法，在迭代中引入了参数预测值进行参数指导，能够较好地逼近全局最优解。
-
公开(公告)号：CN113077853A
公开(公告)日：2021-07-06
申请号：CN202110368257.2
申请日：2021-04-06
Applicant: 西安交通大学
IPC: G16C60/00 , G06F30/27 , G06N3/04 , G06N3/08 , G06F111/14 , G06F119/14
Abstract: 本发明公开了一种双loss价值网络深度强化学习KVFD模型力学参数全局优化方法及系统，所述方法包括以下步骤：S1，将预获取的纳米压痕测量曲线输入训练好的预测值获取网络，获得所述纳米压痕测量曲线的参数预测值；S2，将所述参数预测值作为深度强化学习算法的迭代初值进行迭代，获得预获取的纳米压痕测量曲线的全局参数解的逼近；所述全局参数解的逼近达到预设收敛条件时，将所述全局参数解的逼近作为KVFD模型的力学参数进行输出。本发明的方法，在迭代中引入了参数预测值进行参数指导，能够较好地逼近全局最优解。
-
公开(公告)号：CN111914474B
公开(公告)日：2024-04-05
申请号：CN202010598527.4
申请日：2020-06-28
Applicant: 西安交通大学
IPC: G06F30/27 , G06N20/00 , G06F18/2431 , G06F119/14
Abstract: 本发明公开了一种软物质黏弹性力学表征的分数阶KVFD多参量机器学习优化方法，包括：根据KVFD三种加载方式的解的情况，分别建立对应的K叉树字典；判断待测曲线所属的具体类型，进行全局搜索，获取曲线的参数[E0,α,τ]表示为向量，并放缩至一个参数区间，按照待测曲线所对应的KVFD模型生成预设数量的曲线，加入随机的高斯噪声，划分为训练集与测试集传入机器学习模型进行训练，选出RMSE最小的模型作为训练的最终模型；使用步骤3获得的最终模型对待测曲线进行参数估计；将参数估计获得的结果通过Q‑learning算法进一步学习，获得优化结果。本发明结合了参数学习与启发式算法的特性，能够极大地提高参数优化的准确率与效率。
-
-
-
Search Results
4
records
(took 0.017 seconds)
