[发明专利]基于量子支持向量机的铍青铜合金腐蚀速率预测方法

权利要求书

1.一种基于量子支持向量机的铍青铜合金腐蚀速率预测方法，其特征在于：

步骤1，获取铍青铜合金腐蚀速率原始数据集；

针对不同批次的铍青铜合金带材，选取材料样品进行机械加工、超声波除油、化学除油、三酸清洗、纯水漂洗以及烘干密封处理操作，获取材料质量符合预设标准的铍青铜合金试片；

利用三维光学表面轮廓仪对铍青铜合金试片进行非接触扫描，构建三维表面图像模型，并基于图像纹理分析对图像模型进行数据处理与分析，获取不同铍青铜合金试片的表面粗糙度；

利用超高清微观显微系统对铍青铜合金试片表面进行复杂微观图像分析，对材料晶粒度等指标进行定量测试，根据截点法获取不同铍青铜合金试片的晶粒度数据值；

基于三维光学表面轮廓仪和超高清微观显微系统的检测结果，将处理后的铍青铜合金试片按粗糙度、晶粒度等进行编号并分类保存；

利用中性盐雾试验装置在不同温度、不同盐度以及不同pH值的环境参数条件下对不同编号的铍青铜合金试片进行相同时间的材料腐蚀速率测试，并记录各个铍青铜合金试片的试验结果；

以温度、盐度、pH值、表面粗糙度、微观晶粒度作为模型输入向量，以腐蚀速率作为模型输出向量，构成铍青铜合金腐蚀速率原始数据集；

步骤2，对铍青铜合金腐蚀速率原始数据集依次进行标准化处理和降维处理，得到新铍青铜合金腐蚀速率数据集；将新铍青铜合金腐蚀速率数据集按70/30％的比例分为训练样本集和测试样本集；

步骤3，基于非线性映射结合已构建的训练样本集构造最优决策函数，基于结构风险最小化原则，将最优决策函数转换为量子最小二乘支持向量机优化问题，并在KKT条件下将量子最小二乘支持向量机优化问题转化为求解线性方程组，根据已构建的训练样本集对线性方程组进行求解，得到铍青铜合金腐蚀速率预测模型；

步骤4，基于步骤3中训练好的铍青铜合金腐蚀速率预测模型和步骤2中的测试样本集验证铍青铜合金材料腐蚀速率预测模型的正确性；

步骤5，利用测试通过的铍青铜合金腐蚀速率预测模型对铍青铜合金进行腐蚀速率预测。

2.根据权利要求1所述的基于量子支持向量机的铍青铜合金腐蚀速率预测方法，其特征在于，步骤3中，基于非线性映射结合已构建的训练样本集构造最优决策函数，基于结构风险最小化原则，将最优决策函数转换为量子最小二乘支持向量机优化问题，包括：

设定训练样本集为D＝{(x₁，y₁)，(x₂，y₂)，...(x_i，y_i)，...，(x_m，y_m)}，

其中，x₁为模型输入向量的第1个元素，包括第1个训练样本的温度、盐度、pH值、表面粗糙度、微观晶粒度；y₁为模型输出向量的第1个元素，包括第1个训练样本的腐蚀速率；x₂为模型输入向量的第2个元素，包括第2个训练样本的温度、盐度、pH值、表面粗糙度、微观晶粒度；y₂为模型输出向量的第2个元素，包括第2个训练样本的腐蚀速率；x_i为模型输入向量的第i个元素，包括第i个训练样本的温度、盐度、pH值、表面粗糙度、微观晶粒度；y_i为模型输出向量的第i个元素，包括第i个训练样本的腐蚀速率；x_m为模型输入向量的第m个元素，包括第m个训练样本的温度、盐度、pH值、表面粗糙度、微观晶粒度；y_m为模型输出向量的第m个元素，包括第m个训练样本的腐蚀速率；m为训练样本总数量；

通过非线性函数把模型输入向量映射至特征空间构造最优决策函数：

其中，x＝[x₁，x₂，…，x_m]^T，ω为权重向量，为x的非线性函数，b为偏置常数；

根据结构风险最小化原则，建立约束问题：

其中，C为惩罚系数，ξ_i为误差变量，ξ＝[ξ₁，ξ₂，...，ξ_m]。