1.一种基于贝叶斯网的锡基材料成分性能推断方法,其特征在于,所述基于贝叶斯网的锡基材料成分性能推断方法包括以下步骤:对锡基材料数据中的材料性能变量进行归一化处理,获得材料性能变量归一化结果,并基于分位数法于所述材料性能变量归一化结果中确定性能取值区间,获得材料性能变量离散结果;
对所述材料性能变量归一化结果进行求和平均操作,获得综合性能指标,并根据所述综合性能指标,执行基尼不纯度评估和决策树算法,确定锡基材料数据中的成分配比变量的划分区间,以及基于所述成分配比变量的划分区间,获得成分配比变量离散结果;
将所述材料性能变量和成分配比变量作为DAG中的节点,并基于GFlowNet学习所述DAG基于奖励函数的后验分布,其中,所述基于GFlowNet学习所述DAG基于奖励函数的后验分布,以BIC评分函数为基准进行采样,并从采样的结果中选取高频边构建锡基贝叶斯网;
基于所述锡基贝叶斯网,执行极大似然估计算法学习所述锡基贝叶斯网中各节点的CPT参数,获得目标锡基贝叶斯网;
执行蒙特卡洛采样算法于所述目标锡基贝叶斯网中获取数据集,并基于预设成分配比变量或者预设材料性能变量,结合预设候选原因集进行KL散度计算,确定各所述目标锡基贝叶斯网的节点之间的因果强度和重要性;
所述结合预设候选原因集进行KL散度计算,确定各所述目标锡基贝叶斯网的节点之间的因果强度和重要性的步骤包括:基于一组所述材料性能变量离散结果或者一组所述成分配比变量离散结果,并针对一所述预设候选原因集合,执行所述KL散度计算,获得结果信息量,其中,所述结果信息量包括所述KL散度计算中,所述预设候选原因集合中各原因对产生给定结果的信息量;
对所述结果信息量进行重要性排序,确定各所述目标锡基贝叶斯网的节点之间的因果强度和重要性。
2.如权利要求1所述的基于贝叶斯网的锡基材料成分性能推断方法,其特征在于,所述对锡基材料数据中的材料性能变量进行归一化处理,获得材料性能变量归一化结果,并基于分位数法于所述材料性能变量归一化结果中确定性能取值区间,获得材料性能变量离散结果的步骤包括:将每一所述材料性能变量归一化至[0, 1]区间,获得材料性能变量归一化结果;
基于分位数法于所述材料性能变量归一化结果中确定性能类别分割点;
根据所述性能类别分割点,确定所述性能取值区间;
基于所述性能取值区间,获得所述材料性能变量离散结果。
3.如权利要求1所述的基于贝叶斯网的锡基材料成分性能推断方法,其特征在于,所述根据所述综合性能指标,执行基尼不纯度评估和决策树算法,确定锡基材料数据中的成分配比变量的划分区间的步骤包括:基于分位数法于所述综合性能指标中确定成分配比类别数;
根据所述成分配比类别数和成分配比变量,执行决策树算法,确定所述成分配比变量的划分区间;
其中,所述执行决策树算法包括:
A、根据所述成分配比类别数和成分配比变量,评估所述成分配比变量的基尼不纯度;
B、根据所述基尼不纯度,计算所述成分配比变量的各候选分割点对应的基尼增益;
C、基于所述基尼增益最大的候选分割点作为目标分割点,对所述成分配比变量进行区间划分,并返回执行步骤A和B,直至所述成分配比变量的基尼不纯度低于预设基尼不纯度阈值,获得所述成分配比变量的划分区间。
4.如权利要求1所述的基于贝叶斯网的锡基材料成分性能推断方法,其特征在于,所述将所述材料性能变量和成分配比变量作为DAG中的节点,并基于GFlowNet学习所述DAG基于奖励函数的后验分布的步骤包括:将所述材料性能变量和成分配比变量作为DAG中的节点,并基于预设禁边列表作为所述DAG的结构约束,并以所述BIC评分函数为基准,度量所述DAG与所述锡基材料数据之间的拟合程度;
以所述拟合程度作为所述奖励函数,引导DAG有向边的生成。
5.如权利要求4所述的基于贝叶斯网的锡基材料成分性能推断方法,其特征在于,所述基于GFlowNet学习所述DAG基于奖励函数的后验分布,以BIC评分函数为基准进行采样,并从采样的结果中选取高频边构建锡基贝叶斯网的步骤包括:基于所述奖励函数训练策略网络,以及执行GFlowNet损失函数迭代所述策略网络,获得DAG后验样本集;
执行所述策略网络学习所述DAG基于奖励函数的后验分布,生成所述DAG有向边;
计算所述DAG有向边在所述DAG后验样本集中出现的频率,确定关联关系置信度;
筛选所述关联关系置信度大于预设置信度阈值的DAG有向边,构建所述锡基贝叶斯网。
6.如权利要求1所述的基于贝叶斯网的锡基材料成分性能推断方法,其特征在于,所述执行蒙特卡洛采样算法于所述目标锡基贝叶斯网中获取数据集,并基于预设成分配比变量或者预设材料性能变量,结合预设候选原因集进行KL散度计算,确定各所述目标锡基贝叶斯网的节点之间的因果强度和重要性的步骤包括:执行蒙特卡洛采样算法于所述目标锡基贝叶斯网中获取数据集,其中,所述数据集包括至少两个加权样本,并且每一所述加权样本由一组成分配比变量和材料性能变量组成,所述加权样本的权重表示其成分配比变量和材料性能变量的取值与给定结果一致的可能性;
执行KL散度计算,度量在是否基于所述预设成分配比变量或者预设材料性能变量的条件下,所述预设候选原因集分布变化的影响,获得基于所述数据集,度量所述预设候选原因集对产生预设成分配比变量或者预设材料性能变量的信息量。
7.一种基于贝叶斯网的锡基材料成分性能推断设备,其特征在于,所述基于贝叶斯网的锡基材料成分性能推断设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于贝叶斯网的锡基材料成分性能推断程序,所述基于贝叶斯网的锡基材料成分性能推断程序配置为实现如权利要求1至6中任一项所述的基于贝叶斯网的锡基材料成分性能推断方法的步骤。
8.一种可读存储介质,其特征在于,所述可读存储介质上存储有基于贝叶斯网的锡基材料成分性能推断程序,所述基于贝叶斯网的锡基材料成分性能推断程序被处理器执行时实现如权利要求1至6任一项所述的基于贝叶斯网的锡基材料成分性能推断方法的步骤。