[发明专利]一种基于异质集成学习的材料性能预测模型构建方法

摘要

本发明涉及一种基于异质集成学习的材料性能预测模型构建方法，属于计算机与材料科学交叉技术领域。本发明通过机器学习中异质集成学习方法的Stacking方法构建一种材料性能预测模型，为材料的设计与制造提供一定的数据指导，提高新材料研发的效率，并降低研发周期与研发成本。本发明与现有技术相比，主要解决了目前材料基因工程中单模型预测的准确率较低，且泛化能力较弱等现象，通过Stacking集成学习方法将几种不同的机器学习模型集成为一个准确率高于基学习器的强预测模型(Stacking模型)，再通过该模型对材料的性能进行预测。效果是：极大提高了预测准确率，提高了模型的泛化能力，有利于降低新材料研发成本。

主权项

1.一种基于异质集成学习的材料性能预测模型构建方法，其特征在于：包括如下步骤：Step1、收集材料实验过程参数及通过这些过程参数所得的材料性能数据作为Stacking模型的数据集Data，并将数据集的70％作为训练数据集D_train，30％作为最终测试集D_test；Step2、通过异质集成学习Stacking方法将SVM(Support Vector Machine，支持向量机)、NBM(Naive Bayesian Model，朴素贝叶斯模型)、NN(Neural Networks，神经网络)三种机器学习算法模型作为基学习器组成初级学习器；Step3、将D_train分为训练部分和测试部分输入到初级学习器中对三个基学习器进行学习和拟合；Step4、将每个基学习器的训练集中作为测试集的部分数据集合并作为次级学习器的训练数据集对次级学习器进行训练；Step5、在Stacking模型训练完成后，将最终的测试数据集D_test输入Stacking模型中，经过初级学习器和次级学习器得到模型输出的材料性能参数；观察所得测试结果与测试集中已知的材料性能参数的拟合情况是否达到预设标准，若达到预设标准，则说明此异质集成学习Stacking模型搭建成功。