目标-数据-目标的电工装备闭环建模方法

1.本发明属于电工装备领域，尤其是涉及一种目标-数据-目标的电工装备闭环建模方法。


背景技术：

2.目前，装备的性能分析主要依赖开创于1960年代的数值模拟方法，其通过电子计算机实现偏微分方程的数值计算，达到对工程和科学问题研究的目的。有限差分法、有限元法、有限体积法和矩量法等传统数值模拟方法在装备性能分析中应用广泛，但对于高性能目标的计算，依然存在一些不足之处：传统数值模拟计算方法的精细化仿真时间过长；部分参数和实验数据无法精准测量、目标知识欠完备的情况下，数值模拟方法难以精确建模；不具有先验特性的传统数值模拟方法无法建立预测模型，当结构、材料特性和激励条件稍有变化就需重新进行求解，难以满足需考虑复杂拓扑、实际工况和可靠性等因素的性能分析、多目标优化以及数字孪生的需要。
3.实际工况下电工装备面临多物理场耦合作用、非线性、复杂拓扑结构、实际工况等因素，潜在控制方程的结构和系数往往过于复杂，难以从理论推导中获得。随着科技的不断进步，电工装备领域已经积累了大量的实验和仿真数据，机器学习是一种具有强大拟合能力的统计建模工具，其可以帮助发现新目标知识。因此如何使用机器学习在数据中发现目标知识，解决目标知识欠完备的情况下精确建模困难的问题成为研究热点。
4.随着人工智能技术的不断发展，机器学习在各行各业中得到了广泛的应用。但是，由于机器学习算法的局限性和数据的不确定性，单纯使用机器学习进行预测和决策可能会出现误差和不合理的情况。因此，如何将领域知识与机器学习相结合，提高计算结果的准确性和可解释性，成为了研究热点。例如电工装备的设计和优化，对于模型的鲁棒性和可解释性要求很高，同时数据的采集费时且成本高，而且这个系统极其复杂，存在大量高维非线性的映射关系。这些特点导致纯粹的数据驱动或者目标知识驱动模型无法达到令人满意的效果。


技术实现要素：

5.有鉴于此，本发明旨在提出一种目标-数据-目标的电工装备闭环建模方法，包含目标-数据的目标引导数据计算和数据-目标的数据挖掘目标发现两个方面，通过将目标引导和目标发现相结合，可以形成目标知识发现和运用的闭环，灵活利用电工装备领域多年积累的数据和目标知识，构建数据与目标混合双驱动模型，提升模型精度和鲁棒性，降低数据需求，发现未知的科学原理，为机器学习黑箱模型提供可解释性。
6.为达到上述目的，本发明的技术方案是这样实现的：
7.目标-数据-目标的电工装备闭环建模方法，包括：
8.利用目标引导数据计算，构建具有目标约束的数据计算模型；
9.利用数据引导目标发现，构建用于数据挖掘的目标发现模型；
10.其中，
11.在利用目标引导数据计算时，利用构建的数据计算模型得到目标发现模型所需的计算方法；
12.在利用数据引导目标发现时，利用目标发现模型得到数据计算模型所需的计算方法；
13.将数据计算模型和目标发现模型融合形成闭环，对数据计算模型和目标发现模型进行循环迭代。
14.进一步的，所述利用目标引导数据计算，构建具有目标约束的数据计算模型，包括：
15.收集和整理的领域目标，并将目标转化为可计算的形式；
16.将收集到的领域目标与机器学习模型进行融合，构建具有目标的数据计算模型，所述将收集到的领域目标与机器学习模型进行融合包括以不同的形式或方式融入机器学习的训练流程中，包括：用目标对训练数据进行预处理，提高数据质量；用目标引导训练过程，提高模型可解释性、预测精度；用目标指导机器学习或神经网络架构等的设计，进一步提高模型可解释性、预测精度等。
17.进一步的，所述构建具有目标的数据计算模型，包括：
18.目标约束的数据处理方法：根据目标确定数据的取值范围或特性，实现数据预处理或预测结果重组；
19.目标约束的正则化方法：在针对构建好的数据计算模型的效果评估时，将数据驱动和目标驱动两部分损失函数赋予不同权重并结合在一起，总的损失函数为：
[0020][0021]
式中，x和y对应二维中的横纵坐标，β对应物理变量，{xb,yb,a(xb,yb,β)}为用于二维训练样本中边界点的数据，a{xf,yf,β}为区域内部点用于训练的数据，k是数据驱动部分的权重，用来调整数据驱动和目标驱动对总损失函数的贡献；
[0022]
物理含义的模型结构设计方法：在已知约束条件的局部区域，构造一个满足约束条件特解的函数b(x,y,β)如下：
[0023]
b(x,y,β)＝c(x,y,β)+d(x,y,β)a(x,y,β,w,b)；
[0024]
式中，c(x,y,β)为约束条件函数，是局部区域的光滑扩展函数或差分神经网络计算值；d(x,y,β)为距离函数，是与内部点到局部区域距离有关的函数，则a(x,y,β,w,b)受到约束条件函数和距离函数共同控制。
[0025]
进一步的，所述利用数据引导目标发现，构建用于数据挖掘的目标发现模型，包括：
[0026]
收集和整理的领域数据，包括数值模拟数据、观测数据和实验数据；
[0027]
利用深度学习和优化算法对收集和整理的领域数据进行分析和处理，挖掘数据中的规律和关联性构建控制方程，从而构建目标发现模型。
[0028]
进一步的，所述构建目标发现模型，包括：
[0029]
构建欠完备偏微分方程的目标发现模型：
[0030]
首先，将候选项及其线性组合构成一个封闭的候选集；
[0031]
其次，采用敏感性分析方法确定需保留候选项；
[0032]
最后，通过机器学习和优化算法辨识候选项的系数，建立偏微分方程。
[0033]
进一步的，所述构建目标发现模型，包括：
[0034]
构建不完备偏微分方程的目标发现模型：
[0035]
首先，给定基本候选项，采用交叉变异算法扩充候选项，形成半开放候选集；
[0036]
其次，采用敏感性分析方法确定需保留候选项；
[0037]
最后，通过机器学习和优化算法辨识候选项的系数，建立偏微分方程。
[0038]
进一步的，所述构建目标发现模型，包括：
[0039]
构建未知偏微分方程的目标发现模型：
[0040]
首先，通过符号数学的方法，利用二叉树通过运算符和运算元构建函数运算的候选集寻找模型，建立开放候选集；
[0041]
其次，采用敏感性分析方法确定需保留候选项；
[0042]
最后，通过机器学习和优化算法辨识候选项的系数，建立偏微分方程。
[0043]
进一步的，所述将数据计算模型和目标发现模型融合形成闭环，对数据计算模型和目标发现模型进行循环迭代，包括：
[0044]
基于数值模拟和试验数据构建数据计算模型，根据实际需求在建模不同阶段引入目标，形成目标引导的数据计算模型，实现数据填充和增强，提高小样本下计算精度；
[0045]
建立数据挖掘的目标发现模型，通过数据挖掘建立或完善方程，完备装备的控制方程，完善数值模拟模型的建模能力、提高计算精度。
[0046]
进一步的，本方案公开了一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，所述处理器用于执行目标-数据-目标的电工装备闭环建模方法。
[0047]
进一步的，本方案公开了一种计算机可读取存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现目标-数据-目标的电工装备闭环建模方法。
[0048]
相对于现有技术，本发明所述的目标-数据-目标的电工装备闭环建模方法具有以下有益效果：
[0049]
本发明所述的目标-数据-目标的电工装备闭环建模方法，通过将目标引导和目标发现相结合，可以形成目标知识发现和运用的闭环，灵活利用电工装备领域多年积累的数据和目标知识，构建数据与目标混合双驱动模型，提升模型精度和鲁棒性，降低数据需求，发现未知的科学原理，为机器学习黑箱模型提供可解释性。
附图说明
[0050]
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0051]
图1为本发明实施例所述的目标-数据-目标的电工装备闭环建模方法示意图。
具体实施方式
[0052]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0053]
下面将参考附图并结合实施例来详细说明本发明。
[0054]
目标-数据-目标的电工装备闭环建模方法包含两个方面，目标-数据是数据计算，即构建具有目标约束的机器学习模型；数据-目标是目标发现，即利用机器学习发现方程。
[0055]
一、目标引导的数据计算模型
[0056]
常规数据驱动模型的预测结果存在平均误差小但部分个体误差过大的风险，甚至不符合目标的可能。通过目标引导神经网络的进程和迭代过程。使得计算结果受目标约束，具有可解释性并可提高预测精度和鲁棒性。对于内插任务，数据计算模型侧重于利用已有数据并辅以目标来填补数据空缺，提高模型的预测精度。对于外推任务，数据计算模型重点关注目标的应用，以填补数据缺失和增强模型的外推预测能力。
[0057]
目标引导的数据计算模型是在机器学习模型中嵌入目标，一方面，借助机器学习的强拟合能力来描述变量之间高维复杂的映射关系；另一方面，利用目标保证预测结果符合物理机理，提高准确性、鲁棒性和可解释性。
[0058]
具体实现方法包括以下步骤：
[0059]
1、收集和整理领域目标，并将其转化为可计算的形式；
[0060]
2、将收集到的领域目标与机器学习模型进行融合，构建具有目标的机器学习模型，保证模型的预测结果符合物理机理，不违反常识。
[0061]
根据机器学习建模过程中数据预处理、目标约束设计和模型结构设计三个阶段，主要分为目标约束的数据处理、目标约束的正则化和物理含义的模型结构设计等三种实现方法。此三种实现方法可分别单独使用，亦可同时使用，根据实际情况合理进行选择。
[0062]
①
目标约束的数据处理方法，根据目标确定数据的取值范围或特性，实现数据预处理或者预测结果重组。
[0063]
②
目标约束的正则化方法，在模型效果评估阶段将数据驱动和目标驱动两部分损失函数赋予不同权重并结合在一起。总的损失函数为：
[0064][0065]
式中，x和y对应二维中的横纵坐标，β对应物理变量，{xb,yb,a(xb,yb,β)}为用于二维训练样本中边界点的数据，a{xf,yf,β}为区域内部点用于训练的数据，k是数据驱动部分的权重，用来调整数据驱动和目标驱动对总损失函数的贡献。损失函数loss中第一项对应于数据驱动部分的损失函数，为逼近函数值和通过实验观测、数值仿真等手段获取的训练数据的残差；第二项对应于目标驱动部分的损失函数，以初边值及控制方程的残差充当惩罚作用的正则化项，保证了神经网络强制执行偏微分方程式所施加的物理定律约束，最大化满足约束的概率，从而提高模型的精度和鲁棒性。
[0066]
目标约束正则化方法的性能受权重k的影响，因此需要自适应权重方法提高模型的精度和适应性。自适应权重方法的步骤为：
①
用模型输出和自适应权重采集给出的均值构建高斯概率模型；
②
进行梯度下降迭代将参数更新；
③
基于最大似然估计定义自适应加权损失函数；
④
通过adam优化器调整自适应权重k。
[0067]
③
物理含义的模型结构设计方法，在已知约束条件的局部区域，构造一个满足约束条件特解的函数b(x,y,β)如下：
[0068]
b(x,y,β)＝c(x,y,β)+d(x,y,β)a(x,y,β,w,b)
[0069]
式中，c(x,y,β)为约束条件函数，是局部区域的光滑扩展函数或差分神经网络计算值；d(x,y,β)为距离函数，是与内部点到局部区域距离有关的函数，则a(x,y,β,w,b)受到约束条件函数和距离函数共同控制。通过这种模型结构的构建可使得计算结果严格满足约束条件。
[0070]
二、数据挖掘的目标发现
[0071]
目标发现是利用科学机器学习发现目标，推进人类认知的前沿。在装备领域，目标一般表现为控制方程的形式，因此目标发现即从观测数据或实验数据中直接挖掘控制方程。具体实现方法包括以下步骤：
[0072]
1、收集和整理领域数据，包括数值模拟数据、观测数据和实验数据等；
[0073]
2、利用深度学习、优化算法等对数据进行分析和处理，挖掘数据中的规律和关联性，构建控制方程。
[0074]
根据偏微分方程形式的完备程度，分为三种目标发现模型，分别适用不同场景，对偏微分方程形式的完备程度要求由高到低。需根据装备偏微分方程形式的完备程度，分别采用对应的方法建立目标发现模型。
[0075]
①
欠完备偏微分方程的目标发现模型。
[0076]
(a)首先将候选项及其线性组合构成一个封闭的候选集；
[0077]
(b)其次采用敏感性分析方法确定需保留候选项；
[0078]
(c)最后通过机器学习和优化算法辨识候选项的系数，建立偏微分方程。
[0079]
②
不完备偏微分方程的目标发现模型。
[0080]
(a)首先给定基本候选项，采用交叉变异算法扩充候选项，形成半开放候选集；
[0081]
(b)其次采用敏感性分析方法确定需保留候选项；
[0082]
(c)最后通过机器学习和优化算法辨识候选项的系数，建立偏微分方程。
[0083]
③
未知偏微分方程的目标发现模型。
[0084]
(a)首先通过符号数学的方法，利用二叉树通过运算符和运算元构建函数运算的候选集寻找模型，建立开放候选集；
[0085]
(b)其次采用敏感性分析方法确定需保留候选项；
[0086]
(c)最后通过机器学习和优化算法辨识候选项的系数，建立偏微分方程。
[0087]
三、目标-数据-目标的电工装备闭环建模
[0088]
数据计算和目标发现可以形成一个闭环，两者循环迭代，具体机制和流程，如图所示。
[0089]
①
[0090]
(a)基于数值模拟和试验数据构建数据驱动模型；
[0091]
(b)在此基础上根据实际需求在建模不同阶段引入目标，形成目标引导的数据计算模型，实现数据填充和增强，提高小样本下计算精度；
[0092]
(c)实现装备性能和和场的高效高精度计算。
[0093]
②
[0094]
(a)建立数据挖掘的目标发现模型；
[0095]
(b)通过数据挖掘建立或完善方程，完备装备的控制方程，完善数值模拟模型的建模能力、提高计算精度；
[0096]
(c)形成装备的简洁高精度计算方程。
[0097]
以此循环往复，实现目标和数据的混合驱动，解决欠完备数据下的建模困难的痛点问题，建立装备欠完备数据条件下ai建模范式。
[0098]
在本方案中，
[0099]
目标引导的优点：可以帮助描述变量之间高维复杂的映射关系，提高模型的的准确率；可以在深度学习模型中嵌入领域目标，保证预测结果符合物理机理，不违反常识。
[0100]
目标发现的优点：可以利用深度学习来探索物理原理，从观测数据或实验数据中直接挖掘控制方程，推进认知前沿；可以自动发现新的目标，从而不受人工智力的限制，提高了科研和工程领域的效率和创新力。
[0101]
目标引导和目标发现闭环建模的优点：可以将领域目标和数据驱动的方法有机地结合起来，提高模型的准确率和解释性，可以利用深度学习从数据中自动发现新的目标，实现目标和数据的双向交互，提高ai模型的表现和应用价值。
[0102]
利用本方案所述的方案的具体实施例如下：
[0103]
一种目标-数据-目标的电工装备闭环建模方法包括以下几个步骤：
[0104]
高压干式空心电抗器示例如下：
[0105]
高压复杂拓扑干式线圈间的电容和电感用于波过程分析，需通过电磁理论或数值模拟计算，但铝绞线阻抗等效方法、多层绝缘材料介质参数等效方法、制作工艺带来参数偏差，实际设备每匝线圈的电感、电容难以计算准确也无法直接测量。
[0106]
①
构建以波过程和电磁热力场的仿真数据和试验测量之间误差最小化的优化目标；
[0107]
②
通过参数辨识、机器学习方法修正等效介电常数、铝绞线等效阻抗和电感计算模型，完成数据-目标的目标发现；
[0108]
③
基于序列特性建立数据计算的场重构模型；
[0109]
④
使用电磁热力场的时空分布特性和演变规律引导场重构模型，增强电磁暂态下场重构结果与试验结果的一致性，完成目标-数据的闭环应用；
[0110]
⑤
基于波过程计算和多物理场计算，实现暂态下绝缘强度和裕度设计。
[0111]
高速电磁轨道炮的示例如下：
[0112]
示例一：电磁轨道炮电感梯度的理论计算公式具有局限性，且使用条件严格，导致对电磁轨道炮发射过程进行数值模拟时精度低。
[0113]
①
首先构建电感梯度计算公式修正项的候选集；
[0114]
②
其次，构建电枢运动的测量速度和数值模拟得到速度之间误差最小化的优化目标；
[0115]
③
通过机器学习和优化算法对轨道电感梯度计算公式进行修正，完成数据-目标的目标发现，使仿真结果与试验结果更加一致；
[0116]
④
进一步根据修正的轨道电感梯度计算公式建立电磁轨道炮仿真模型，实现对电磁推力的数值模拟，间接计算电枢运动速度和摩擦系数，完成目标-数据的数据计算闭环应用。
[0117]
示例二：高速运动条件下，对电磁轨道炮发射过程中电磁热力场进行数值模拟十分困难，精度低。
[0118]
①
建立典型工况下的精细化仿真模型，使用精细化数值模拟得到电磁热力场数据；
[0119]
②
采用机器学习算法学习典型工况下电磁热力场数据，建立电磁轨道炮的目标发现模型；
[0120]
③
依据可方便实测的电枢速度、电流和电压，通过目标发现方法，建立和修正载流摩擦下接触电阻模型、滑动摩擦模型，实现数据-目标的目标发现；
[0121]
④
建立电磁热力场预测模型；
[0122]
⑤
通过在模型损失函数中加入趋肤效应对电磁热力场分布规律的影响，实现对高速运动条件下的电磁热力场预测，提高精度、鲁棒性和可解释性，降低数据量需求，实现从目标-数据的数据计算，最终形成目标-数据-目标的闭环模型。
[0123]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0124]
在本技术所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。上述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
[0125]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
[0126]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.目标-数据-目标的电工装备闭环建模方法，其特征在于，包括：利用目标引导数据计算，构建具有目标约束的数据计算模型；利用数据引导目标发现，构建用于数据挖掘的目标发现模型；其中，在利用目标引导数据计算时，利用构建的数据计算模型得到目标发现模型所需的计算方法；在利用数据引导目标发现时，利用目标发现模型得到数据计算模型所需的计算方法；将数据计算模型和目标发现模型融合形成闭环，对数据计算模型和目标发现模型进行循环迭代。2.根据权利要求1所述的目标-数据-目标的电工装备闭环建模方法，其特征在于，所述利用目标引导数据计算，构建具有目标约束的数据计算模型，包括：收集和整理的领域目标，并将目标转化为可计算的形式；将收集到的领域目标与机器学习模型进行融合，构建具有目标的数据计算模型。3.根据权利要求2所述的目标-数据-目标的电工装备闭环建模方法，其特征在于，所述构建具有目标的数据计算模型，包括：目标约束的数据处理方法：根据目标确定数据的取值范围或特性，实现数据预处理或预测结果重组；目标约束的正则化方法：在针对构建好的数据计算模型的效果评估时，将数据驱动和目标驱动两部分损失函数赋予不同权重并结合在一起，总的损失函数为：式中，x和y对应二维中的横纵坐标，β对应物理变量，{x
b
,y
b
,a(x
b
,y
b
,β)}为用于二维训练样本中边界点的数据，a{x
f
,y
f
,β}为区域内部点用于训练的数据，k是数据驱动部分的权重，用来调整数据驱动和目标驱动对总损失函数的贡献；物理含义的模型结构设计方法：在已知约束条件的局部区域，构造一个满足约束条件特解的函数b(x,y,β)如下：b(x,y,β)＝c(x,y,β)+d(x,y,β)a(x,y,β,w,b)；式中，c(x,y,β)为约束条件函数，是局部区域的光滑扩展函数或差分神经网络计算值；d(x,y,β)为距离函数，是与内部点到局部区域距离有关的函数，则a(x,y,β,w,b)受到约束条件函数和距离函数共同控制。4.根据权利要求1所述的目标-数据-目标的电工装备闭环建模方法，其特征在于，所述利用数据引导目标发现，构建用于数据挖掘的目标发现模型，包括：收集和整理的领域数据，包括数值模拟数据、观测数据和实验数据；利用深度学习和优化算法对收集和整理的领域数据进行分析和处理，挖掘数据中的规律和关联性构建控制方程，从而构建目标发现模型。5.根据权利要求4所述的目标-数据-目标的电工装备闭环建模方法，其特征在于，所述构建目标发现模型，包括：构建欠完备偏微分方程的目标发现模型：
首先，将候选项及其线性组合构成一个封闭的候选集；其次，采用敏感性分析方法确定需保留候选项；最后，通过机器学习和优化算法辨识候选项的系数，建立偏微分方程。6.根据权利要求4所述的目标-数据-目标的电工装备闭环建模方法，其特征在于，所述构建目标发现模型，包括：构建不完备偏微分方程的目标发现模型：首先，给定基本候选项，采用交叉变异算法扩充候选项，形成半开放候选集；其次，采用敏感性分析方法确定需保留候选项；最后，通过机器学习和优化算法辨识候选项的系数，建立偏微分方程。7.根据权利要求4所述的目标-数据-目标的电工装备闭环建模方法，其特征在于，所述构建目标发现模型，包括：构建未知偏微分方程的目标发现模型：首先，通过符号数学的方法，利用二叉树通过运算符和运算元构建函数运算的候选集寻找模型，建立开放候选集；其次，采用敏感性分析方法确定需保留候选项；最后，通过机器学习和优化算法辨识候选项的系数，建立偏微分方程。8.根据权利要求1所述的目标-数据-目标的电工装备闭环建模方法，其特征在于，所述将数据计算模型和目标发现模型融合形成闭环，对数据计算模型和目标发现模型进行循环迭代，包括：基于数值模拟和试验数据构建数据计算模型，根据实际需求在建模不同阶段引入目标，形成目标引导的数据计算模型，实现数据填充和增强，提高小样本下计算精度；建立数据挖掘的目标发现模型，通过数据挖掘建立或完善方程，完备装备的控制方程，完善数值模拟模型的建模能力、提高计算精度。9.一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，其特征在于：所述处理器用于执行上述权利要求1-8任一所述的目标-数据-目标的电工装备闭环建模方法。10.一种计算机可读取存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1-8任一项所述的目标-数据-目标的电工装备闭环建模方法。

技术总结
本发明提供了一种目标-数据-目标的电工装备闭环建模方法，包括：利用目标引导数据计算，构建具有目标约束的数据计算模型；利用数据引导目标发现，构建用于数据挖掘的目标发现模型；其中，在利用目标引导数据计算时，利用构建的数据计算模型得到目标发现模型所需的计算方法；在利用数据引导目标发现时，利用目标发现模型得到数据计算模型所需的计算方法；将数据计算模型和目标发现模型融合形成闭环，对数据计算模型和目标发现模型进行循环迭代。本发明有益效果：构建数据与目标混合双驱动模型，提升模型精度和鲁棒性，降低数据需求，发现未知的科学原理，为机器学习黑箱模型提供可解释性。释性。释性。


技术研发人员：金亮 刘璐 宋居恒 时硕
受保护的技术使用者：河北工业大学
技术研发日：2023.05.18
技术公布日：2023/8/16