欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022104830415
申请人: 云南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一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,其特征在于,包括:对钢铁疲劳强度数据进行处理,利用动态图构建方法将钢铁材料疲劳强度序列数据构建成为图数据;有效的将特征金字塔和图卷积网络进行融合,构建预测钢铁疲劳强度的模型,预测钢铁疲劳强度;

具体包括以下步骤:

步骤一:采集钢铁疲劳数据集,进行数据清洗,获得影响钢铁疲劳强度的属性特征;

步骤二:对原始采集的钢铁疲劳数据集进行预处理,使用相似度矩阵对属性特征进行处理,去除钢铁疲劳数据中的冗余数据和特征,对处理后的数据进行特征工程和标准化处理得到所需数据集;

步骤三:使用动态图创建方法将数据构建图结构;

步骤四:从所学习到的全连接图提取稀疏图,并将不同特征之间的相似矩阵作为邻接矩阵;

步骤五:将特征金字塔和图卷积网络进行融合,构建预测钢铁疲劳强度的模型;

步骤六:使用构建的模型对图嵌入后的数据进行训练,并调整和优化模型;

步骤七:利用模型预测钢铁疲劳强度;

步骤三中的动态图创建方法包括:通过学习成对节点相似性的结构感知注意机制来度量节点之间的相似度,利用以下公式计算构建图结构,公式所示:其中,表示连接节点和在第层图神经网络层的相似度;表示节点的嵌入向量,表示连接节点和的边的嵌入向量,表示节点在第层图神经网络层的嵌入向量,和分别是可训练的权向量和权重矩阵;

步骤五中的预测钢铁疲劳强度的模型包括:5个层次的图像金字塔,为两组卷积层、池化层、全连接层、dropout层、全连接和激活层;每一个层次都是一个上下文层—层次层—上下文层的三层结构;上下文层只使用上下文边,上下文边用于在同一层次内传播上下文信息,在同一层次内传播上下文信息;而层次层只使用修剪过的层次边,层次边用于弥补不同层次之间的语义差距;

步骤五中构建预测钢铁疲劳强度的模型的方法:

在模型的架构中,使用GC block将输入数据复制增加为三份,记为数据  ,数据,数据;数据经过一个1*1的卷积核进行特征提取后由Softmax函数进行激活;再将其与数据进行乘积的结果放入1*1的卷积核;经过卷积后的结果被放入一个LN层后由ReLU函数激活,将得到的结果再次放入1*1的卷积核中;最后将得到的结果与数据进行融合并且输出;所述GC block表示为:其中,是全局注意力池化层的权值,

表示为BoTNet。

2.根据权利要求1所述的融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法,其特征在于,步骤一中的钢铁疲劳数据集为序列数据,且每条数据包含属性特征:化学成分、上游处理细节、热处理条件和机械性能。

3.根据权利要求1所述的融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法,其特征在于,步骤二中属性特征之间的相似度计算公式:其中,为属性特征和属性特征的相关系数,为属性特征和属性特征之间的协方差,、分别为属性特征和属性特征的标准差,、分别为属性特征和属性特征的均值。

4.根据权利要求1所述的融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法,其特征在于,步骤四中稀疏图的提取方法:使用图稀疏化组件,通过knn式稀疏运算,从相似度度量学习函数计算的节点相似度矩阵中得到稀疏邻接矩阵,稀疏邻接矩阵计算如下所示:其中,对于函数,表示对于节点的相似度矩阵,每个节点只保留K个最邻近节点包括其自身和相关的相似度分数,其余的相似度分数会被忽略,最终得到该节点的稀疏矩阵。

5.根据权利要求1所述的融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法,其特征在于,步骤六中,划分钢铁疲劳强度数据集为训练集和测试集,数据集划分后训练集与测试集的比例为4:1,模型训练的迭代次数为100;使用构建的模型对图嵌入后的数据进行训练,通过测试集的结果观察模型性能,调整模型中的超参数以改进模型。

6.根据权利要求1所述的融合特征金字塔的图卷积网络预测钢铁疲劳强度的方法,其特征在于,步骤七后,对预测结果使用交叉验证对预测精度进行评估;具体评估方法:用评估模型预测性能的标准是实际值与预测值之间的相关系数,;

公式计算平均绝对误差, ;

公式计算均方根误差,;

公式计算标准差误差,;

其中, 为实际疲劳强度值,为预测疲劳强度值,为数据集中的实例数,代表方差解释模型,用于评价回归预测模型的准确性,分数平均绝对误差,代表错误率。