[发明专利]大数据、人工智能、超算协同的材料性能预测方法

权利要求书

1.一种大数据、人工智能、超算协同的材料性能预测方法，其特征在于，包括：

步骤1：获取原始数据集并进行预处理；

步骤2：创建多个不同的贝叶斯深度网络模型，给予每个贝叶斯深度网络模型赋予一组随机化的权重初始值；

步骤3：针对每个贝叶斯深度网络模型中每两个神经元之间的权重w，引入正则化项，构造权重w的高斯先验分布；

步骤4：针对所述权重w，构造似然函数；

步骤5：根据贝叶斯准则得到所述权重w的后验概率分布函数；

步骤6：利用高斯近似方法在超级计算机上GPU+CPU并行求解每个贝叶斯深度网络模型的参数后验p(w|D)，对于其中任意一个贝叶斯深度网络模型来说，如果计算得到的p(w|D)不收敛，则回到步骤3继续更新w；若收敛，则继续下一步骤，从而得到比较好的一组w，其他的贝叶斯深度网络模型经过的步骤相同，最后，每个贝叶斯深度网络模型构建完毕；

步骤7：利用预测集通过每个贝叶斯深度网络模型得到预测输出，然后根据预测输出的准确度，计算每个贝叶斯深度网络模型的占所有网络的权重比；

步骤8：根据上述所有训练好的贝叶斯深度网络模型对预测集进行预测，并根据所述权重比加权得到最终预测值和预测值的误差条，至此，整个网络模型构建完毕。

2.根据权利要求1所述的大数据、人工智能、超算协同的材料性能预测方法，其特征在于，所述步骤1中预处理为标准差标准化，计算公式如下：

其中，x为原始数据，x*为进行标准差标准化处理后的数据，μ为所有原始数据集特征值列的均值，σ为所有原始数据集特征值列的标准差。

3.根据权利要求1所述的大数据、人工智能、超算协同的材料性能预测方法，其特征在于，所述步骤2中多个不同的贝叶斯深度网络模型的层数由2成偶数增长到20，每层的单元数由4每次加1增加到10，形成上百个不同的网络结构，使每个贝叶斯深度网络模型都有一套各自的参数。

4.根据权利要求1所述的大数据、人工智能、超算协同的材料性能预测方法，其特征在于，所述步骤3中高斯先验分布的计算公式如下：

其中，w是贝叶斯深度网络模型的每两个神经元之间连接的权重，α是控制权重和偏置分布的超参数，均已知，E_w是正则化项。

5.根据权利要求1-4中任一所述的大数据、人工智能、超算协同的材料性能预测方法，其特征在于，所述步骤4中似然函数的计算公式如下：

其中，D是样本数据，β是控制噪声方差的超参数，y是网络输出的预测值，t是样本x对应的实际值，E_D是构造的误差项。

6.根据权利要求5所述的大数据、人工智能、超算协同的材料性能预测方法，其特征在于，所述步骤5进一步为：

根据贝叶斯准则得到所述权重w的后验概率分布函数，即：

。

7.根据权利要求6所述的大数据、人工智能、超算协同的材料性能预测方法，其特征在于，所述步骤6中采用梯度下降法来更新w。

8.根据权利要求6所述的大数据、人工智能、超算协同的材料性能预测方法，其特征在于，所述步骤6中p(w|D)的计算方式为：

高斯近似是对S(w)在极小点进行2阶泰勒展开然后将S(w)代入步骤5后验概率计算公式。

9.根据权利要求6所述的大数据、人工智能、超算协同的材料性能预测方法，其特征在于，所述步骤8中预测值和预测值的误差条的计算公式如下：

预测值其中t_i是第i个贝叶斯深度网络模型通过预测集得到的预测值；误差条为标准差；

预测值的误差条的计算公式如下：

其中，W_MP是后验概率的最大值，A是步骤6中泰勒展开时已知的正定矩阵。