[发明专利]核反应堆包壳材料辐照肿胀的集成学习预测方法

摘要

本发明提供一种核反应堆包壳材料辐照肿胀的集成学习预测方法，涉及组合多个弱监督模型结果的集成学习材料预测技术领域。本发明采用堆叠的多层异态回归器模型，其为两层架构，第一层包括四个不同的基学习器，分别为人工神经网络、支持向量机、梯度提升和随机森林，并且第一层采用5折交叉验证训练，第二层通过XGBoost建立。本发明能够降低偏差和方差，提高模型的泛化能力，使材料特性的预测结果更加准确。

主权项

1.一种核反应堆包壳材料辐照肿胀的集成学习预测方法，其特征在于，包括：步骤A：获取包壳辐照肿胀相关的原始数据集，原始数据集中的数据一部分作为训练集，另一部分作为预测集；步骤B：生成皮尔逊相关性热力图查看与包壳材料肿胀量相关比较大的特征值以及特征值之间的关联程度；步骤C：提取前预定数量个相关程度大的特征值并进行归一化处理；步骤D：利用PCA方法降维去噪；步骤E：利用chi‑2算法选择特征剔除不相关或冗余的特征；步骤F：生成第一层机器学习器模型，该第一层机器学习器模型包括四个并列且不同的基学习器，初始化N＝1、K＝1，其中N为第N个基学习器，K为交叉验证训练次数；步骤G：对第N个基学习器进行第K折交叉验证训练；步骤H：判断K是否大于5，如果是，继续执行步骤I；如果否，则K＝K+1，回到步骤G；步骤I：对于训练集，将5份预测结果作为第二层的输入训练样本的第N列；步骤J：对于测试集，将5次预测结果取平均值作为第二层的输入测试样本的第N列；步骤K：判断N是否大于基学习器个数，如果是，继续执行步骤L；如果否，N＝N+1，K＝1，回到步骤G；步骤L：将第一层机器学习器模型的输出作为新的特征值作为第二层机器学习器模型的输入数据，该第二层机器学习器模型通过XGBoost建立；步骤M：输出第二层机器学习器模型的预测结果，至此，堆叠的多层异态回归器模型训练完成。