镁质耐碱复合材料性能影响因素分析方法及装置与流程

1.本发明涉及人工智能技术领域，尤其涉及一种镁质耐碱复合材料性能影响因素分析方法及装置。


背景技术：

2.镁质耐碱复合材料是一种新型的材料，具有许多优良的性能，如耐腐蚀、耐高温、耐磨损等。然而，在实际应用中，由于材料的复杂性和加工工艺的影响等因素，其性能往往存在较大的差异，不同条件下的性能表现也会有所不同。因此，分析镁质耐碱复合材料的性能影响因素对于提高其性能、优化其结构和应用于实际工程具有非常重要的意义。
3.由于受试样制备工艺和加工工艺的影响以及实验条件的差异导致镁质耐碱复合材料性能影响因素的分析具有一定的局限性，同时，一些关键性能指标需要进行逐渐升级的试验，每次升级需要一段时间才可以获得结果，例如强度随时间变化的试验，需要进行大量的性能测试，比如弯曲强度、扭转强度、冲击强度、压缩强度等，导致镁质耐碱复合材料性能影响因素的分析效率较低，因此，如何提升镁质耐碱复合材料的性能影响因素的分析效率，成为了亟待解决的问题。


技术实现要素：

4.本发明提供一种镁质耐碱复合材料性能影响因素分析方法及装置，其主要目的在于解决镁质耐碱复合材料性能影响因素分析时效率较低的问题。
5.为实现上述目的，本发明提供的一种镁质耐碱复合材料性能影响因素分析方法，包括：
6.获取镁质耐碱复合材料的实验数据，对所述实验数据进行数据分类，得到所述实验数据的分类数据，其中，所述分类数据分为因素数据和目标数据；
7.对所述分类数据进行特征选择，得到所述分类数据的数据特征，利用所述数据特征生成所述性能决策模型的训练集；
8.利用预设的因素目标关系算法构建所述镁质耐碱复合材料的性能决策模型；
9.利用所述训练集和预设的目标函数对所述性能决策模型进行系数调整，得到所述性能决策模型的更新决策模型，其中，所述预设的目标函数为：
[0010][0011]
其中，q是所述性能决策模型的目标函数值，x
ij
是所述训练集中的第i个样本的第j个自变量，i是所述训练集中的样本的样本标识，n是所述训练集中的样本数量，yi是第i个样本的响应变量，β0是常数项，j是所述样本的自变量的自变量标识，p是所述自变量的总数，βj是所述性能决策模型的第j个模型参数，λ是惩罚系数；
[0012]
获取所述镁质耐碱复合材料的实时数据，根据所述更新决策模型生成所述实时数
据的实时性能值，利用所述实时性能值确定所述镁质耐碱复合材料的最佳性能因子。
[0013]
可选地，所述对所述实验数据进行数据分类，得到所述实验数据的分类数据，包括：
[0014]
对所述实验数据进行数据格式转化，得到所述实验数据的转化数据；
[0015]
对所述转化数据进行单位统一处理，得到所述转化数据的统一单位数据；
[0016]
根据预设的目标标签对所述统一单位数据进行数据选取，得到所述统一单位数据的目标数据；
[0017]
利用多个预设的因素标签对所述统一单位数据逐个进行数据选取，得到所述统一单位数据的因素数据；
[0018]
汇集所述因素数据和所述目标数据为所述实验数据的分类数据。
[0019]
可选地，所述利用多个预设的因素标签对所述统一单位数据逐个进行数据选取，得到所述统一单位数据的因素数据，包括：
[0020]
对预设的因素标签进行向量转化，得到所述预设的因素标签的标签向量；
[0021]
对所述统一单位数据进行向量转化，得到所述统一单位数据的数据向量；
[0022]
逐个计算所述标签向量和所述数据向量的向量相似性，根据所述向量相似性对确定数据向量的数据类别；
[0023]
根据所述数据类别对所述统一单位数据进行数据选取，得到所述统一单位数据的因素数据。
[0024]
可选地，所述对所述分类数据进行特征选择，得到所述分类数据的数据特征，包括：
[0025]
对所述分类数据进行特征提取，得到所述分类数据的提取特征，计算所述提取特征的卡方值；
[0026]
根据所述卡方值的大小对所述分类数据进行特征选择，得到所述分类数据的数据特征。
[0027]
可选地，所述计算所述提取特征的卡方值，包括：
[0028]
确定所述提取特征中的目标特征和因素特征，根据所述目标特征和所述因素特征生成所述因素特征的列联表；
[0029]
逐个计算所述列联表中各单元格的期望频数，根据所述列联表的实际观测值和所述期望频数生成所述单元格的单元卡方值；
[0030]
利用所述单元卡方值生成所述提取特征的卡方值。
[0031]
可选地，所述利用所述数据特征生成所述性能决策模型的训练集，包括：
[0032]
对所述数据特征进行分层抽样，得到所述数据特征的抽样特征；
[0033]
确定所述抽样特征的特征关系，根据所述特征关系对所述抽样特征进行特征标记，得到所述抽样特征的标记特征；
[0034]
生成所述标记特征的特征标签，根据所述标记特征和所述特征标签生成所述性能决策模型的训练集。
[0035]
可选地，所述利用预设的因素目标关系算法构建所述镁质耐碱复合材料的性能决策模型，包括：
[0036]
利用如下因素目标关系算法构建所述镁质耐碱复合材料的性能决策模型：
[0037]
yi＝β0+β1x
i1
+β2x
i2
+
…
+βjx
ij
+
…
+β
p
x
ip
+εi[0038]
其中，yi是所述性能决策模型中第i个样本的响应变量，x
ij
是所述训练集中的第i个样本的第j个自变量，βj是所述性能决策模型的第j个模型参数，εi是误差项，i是所述训练集中的样本的样本标识，j是所述样本的自变量的自变量标识，p是所述自变量的总数。
[0039]
可选地，所述利用所述训练集对所述性能决策模型进行系数调整，得到所述性能决策模型的更新决策模型，包括：
[0040]
对所述性能决策模型进行参数初始化，得到所述性能决策模型的初始决策模型；
[0041]
利用所述训练集生成所述预设的目标函数的函数值；
[0042]
根据所述函数值的大小对所述性能决策模型进行系数调整，得到所述性能决策模型的更新决策模型。
[0043]
可选地，所述利用所述实时性能值确定所述镁质耐碱复合材料的最佳性能因子，包括：
[0044]
根据所述实时性能值的大小选取所述实时性能值中的一个性能值为目标性能值；
[0045]
生成所述目标性能值的性能影响因子，确定所述目标性能值的性能影响因子为所述镁质耐碱复合材料的最佳性能因子。
[0046]
为了解决上述问题，本发明还提供一种镁质耐碱复合材料性能影响因素分析装置，所述装置包括：
[0047]
数据分类模块，用于获取镁质耐碱复合材料的实验数据，对所述实验数据进行数据分类，得到所述实验数据的分类数据，其中，所述分类数据分为因素数据和目标数据；
[0048]
特征选择模块，用于对所述分类数据进行特征选择，得到所述分类数据的数据特征，利用所述数据特征生成所述性能决策模型的训练集；
[0049]
模型构建模块，用于利用预设的因素目标关系算法构建所述镁质耐碱复合材料的性能决策模型；
[0050]
模型系数调整模块，用于利用所述训练集和预设的目标函数对所述性能决策模型进行系数调整，得到所述性能决策模型的更新决策模型，其中，所述预设的目标函数为：
[0051][0052]
其中，q是所述性能决策模型的目标函数值，x
ij
是所述训练集中的第i个样本的第j个自变量，i是所述训练集中的样本的样本标识，n是所述训练集中的样本数量，yi是第i个样本的响应变量，β0是常数项，j是所述样本的自变量的自变量标识，p是所述自变量的总数，βj是所述性能决策模型的第j个模型参数，λ是惩罚系数；
[0053]
最佳性能因子生成模块，用于获取所述镁质耐碱复合材料的实时数据，根据所述更新决策模型生成所述实时数据的实时性能值，利用所述实时性能值确定所述镁质耐碱复合材料的最佳性能因子。
[0054]
本发明实施例通过生成已获取的镁质耐碱复合材料的实验数据的分类数据，并对所述分类数据进行特征选择，得到所述分类数据的数据特征，利用所述数据特征生成所述性能决策模型的训练集，可以帮助我们更加深入、全面地了解材料性能影响因素的相关性，
并为镁质耐碱复合材料的性能提升和应用提供有力的支持，利用预设的因素目标关系算法构建所述镁质耐碱复合材料的性能决策模型，并利用所述训练集和预设的目标函数对所述性能决策模型进行系数调整，得到所述性能决策模型的更新决策模型，通过性能决策模型的快速计算和预测，可以大大提高预测效率和速度，因此本发明提出镁质耐碱复合材料性能影响因素分析方法及装置，可以解决镁质耐碱复合材料性能影响因素分析效率较低的问题。
附图说明
[0055]
图1为本发明一实施例提供的镁质耐碱复合材料性能影响因素分析方法的流程示意图；
[0056]
图2为本发明一实施例提供的实验数据的数据分类的流程示意图；
[0057]
图3为本发明一实施例提供的数据选取的流程示意图；
[0058]
图4为本发明一实施例提供的镁质耐碱复合材料性能影响因素分析装置的功能模块图；
[0059]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0060]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0061]
本技术实施例提供一种镁质耐碱复合材料性能影响因素分析方法。所述镁质耐碱复合材料性能影响因素分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述镁质耐碱复合材料性能影响因素分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0062]
参照图1所示，为本发明一实施例提供的镁质耐碱复合材料性能影响因素分析方法的流程示意图。在本实施例中，所述镁质耐碱复合材料性能影响因素分析方法包括：
[0063]
s1、获取镁质耐碱复合材料的实验数据，对所述实验数据进行数据分类，得到所述实验数据的分类数据，其中，所述分类数据分为因素数据和目标数据。
[0064]
在本发明实施例中，所述镁质耐碱复合材料是是一种采用镁质材料作为基础材料，通过添加一定比例的耐碱纤维、微晶玻璃、硅粉等复合材料制成的一种新型材料，主要用于耐碱腐蚀场合，如水泥、玻璃、陶瓷、冶金、石化等工业领域；所述镁质耐碱复合材料的材料性能不仅受材料本身因素影响，还受外界环境条件的影响，其中，所述材料本身因素是指镁质材料的性质、微晶玻璃的添加量和微晶玻璃的添加量等，所述外界环境条件是指高温、高湿度以及高压等环境。
[0065]
详细地，所述实验数据包括但不限于：所述镁质耐碱复合材料的密度、耐腐蚀性能、热稳定性、合成条件、原材料比例、原材料质量以及环保性，其中，所述镁质耐碱复合材料的密度取决于镁质材料、耐碱纤维、微晶玻璃、硅粉等复合材料的比例和加工工艺等因
素；所述耐腐蚀性能与耐碱纤维、微晶玻璃等复合材料的添加量有关；所述热稳定性与耐碱纤维和微晶玻璃的比例、镁质材料的种类和性质、加工工艺等因素密切相关。
[0066]
在本发明实施例中，参图2所示，所述对所述实验数据进行数据分类，得到所述实验数据的分类数据，包括：
[0067]
s21、对所述实验数据进行数据格式转化，得到所述实验数据的转化数据；
[0068]
s22、对所述转化数据进行单位统一处理，得到所述转化数据的统一单位数据；
[0069]
s23、根据预设的目标标签对所述统一单位数据进行数据选取，得到所述统一单位数据的目标数据；
[0070]
s24、利用多个预设的因素标签对所述统一单位数据逐个进行数据选取，得到所述统一单位数据的因素数据；
[0071]
s25、汇集所述因素数据和所述目标数据为所述实验数据的分类数据。
[0072]
详细地，所述对所述实验数据进行数据格式转化是为了确保数据规范统一，方便后续处理，例如将数据转化为csv格式；所述csv格式指的是逗号分隔值，是一种常见的电子表格文件格式，例如：csv文件中的数据通常是由一行一行的文字组成，每行的文字数据之间用逗号或其他指定字符分隔开来，以表示不同的列，而每个换行符则表示新的一条记录。
[0073]
详细地，所述对所述转化数据进行单位统一处理是为了确保数据的一致性，例如将重量统一转化为克、压力统一转化为帕斯卡等。
[0074]
详细地，所述预设的目标标签和所述预设的因素标签是人为设定的，例如：可以用所述预设的目标标签筛选出所述镁质耐碱复合材料的抗拉强度数据；所述根据预设的目标标签对所述统一单位数据进行数据选取是指先确定目标标签，例如，假设要选取镁质耐碱复合材料的强度数据，目标标签就是"强度"，然后可以使用excel的筛选功能或手动查找，在筛选后的数据中，确认并提取所需的目标数据。
[0075]
详细地，所述预设的因素标签可以是温度因素标签、可以是湿度因素标签，也可以是不同比例的耐碱纤维因素标签。
[0076]
详细地，参图3所示，所述利用多个预设的因素标签对所述统一单位数据逐个进行数据选取，得到所述统一单位数据的因素数据，包括：
[0077]
s31、对预设的因素标签进行向量转化，得到所述预设的因素标签的标签向量；
[0078]
s32、对所述统一单位数据进行向量转化，得到所述统一单位数据的数据向量；
[0079]
s33、逐个计算所述标签向量和所述数据向量的向量相似性，根据所述向量相似性对确定数据向量的数据类别；
[0080]
s34、根据所述数据类别对所述统一单位数据进行数据选取，得到所述统一单位数据的因素数据。
[0081]
详细地，所述对预设的因素标签进行向量转化可以使用词向量模型(word2vec)将每个标签转化为词向量，这样可以方便后续计算向量相似性；同理，也可以使用词向量模型(word2vec)将所述统一单位数据转化为数据向量。
[0082]
详细地，使用向量相似性度量算法(如余弦相似度、欧式距离等)，计算每个因素标签的向量与数据向量的相似度，可以得到每个因素标签与数据向量的相似度。
[0083]
进一步地，所述根据所述向量相似性对确定数据向量的数据类别是指对于每个因素标签，将其与数据向量的相似度进行比较，选择相似度最高的标签作为该数据向量的数
据类别。
[0084]
详细地，所述根据所述数据类别对所述统一单位数据进行数据选取是指根据所确定的数据类别，从数据中提取该数据类别下的因素数据，例如，提取某种金属材料的抗疲劳强度、化学成分等因素数据，方便后续分析。
[0085]
s2、对所述分类数据进行特征选择，得到所述分类数据的数据特征，利用所述数据特征生成所述性能决策模型的训练集。
[0086]
在本发明实施例中，所述对所述分类数据进行特征选择，得到所述分类数据的数据特征，包括：
[0087]
对所述分类数据进行特征提取，得到所述分类数据的提取特征，计算所述提取特征的卡方值；
[0088]
根据所述卡方值的大小对所述分类数据进行特征选择，得到所述分类数据的数据特征。
[0089]
详细地，所述对所述分类数据进行特征提取可以利用主成分分析、因子分析等方法，将原有的数据转换为新的特征空间，便于后续处理和分析。在提取特征时需要确定哪些特征是目标特征，即需要预测的特征(如类别、标签等)，哪些特征是因素特征，即用来进行预测的特征(如时间、温度、湿度等)。
[0090]
详细地，所述计算所述提取特征的卡方值，包括：
[0091]
确定所述提取特征中的目标特征和因素特征，根据所述目标特征和所述因素特征生成所述因素特征的列联表；
[0092]
逐个计算所述列联表中各单元格的期望频数，根据所述列联表的实际观测值和所述期望频数生成所述单元格的单元卡方值；
[0093]
利用所述单元卡方值生成所述提取特征的卡方值。
[0094]
详细地，所述期望频数是指在独立分布假设下，该单元格期望出现的频数；所述单元卡方值是衡量该单元格实际观测值与期望频数之间差异的指标。
[0095]
详细地，所述列联表是一种表格结构，用于呈现两个离散变量之间的关系。所述对所述分类数据进行特征选择可以使用列联表来计算每个特征与目标变量之间的卡方值；所述根据所述目标特征和所述因素特征生成所述因素特征的列联表是指将每个因素特征按照其取值分成若干组(离散化)，然后将目标特征与每个组进行组合，计算出目标特征与每个组的频数。
[0096]
详细地，所述逐个计算所述列联表中各单元格的期望频数是指期望频数是指在假设各个特征之间是独立的情况下，每个单元格出现的次数。期望频数的计算公式为：期望频数＝行的频数*列的频数/总频数，其中，行的频数是指某个因素特征组合出现的次数，列的频数是指某个目标特征下出现的次数，总频数是所有样本的总数。
[0097]
详细地，所述根据所述列联表的实际观测值和所述期望频数生成所述单元格的单元卡方值是指通过计算每个单元格的实际观测值和期望频数之间的差距，可以得到每个单元格的单元卡方值，单元卡方值的计算公式如下：单元卡方值＝(实际观测值-期望频数)^2/期望频数。
[0098]
详细地，所述利用所述单元卡方值生成所述提取特征的卡方值是指将每个单元格的单元卡方值累加起来，得到提取特征的卡方值，卡方统计量的值越大，说明特征与目标变
量之间的关联性越强，因此我们可以根据卡方值的大小来进行特征选择。
[0099]
在本发明实施例中，所述利用所述数据特征生成所述性能决策模型的训练集，包括：
[0100]
对所述数据特征进行分层抽样，得到所述数据特征的抽样特征；
[0101]
确定所述抽样特征的特征关系，根据所述特征关系对所述抽样特征进行特征标记，得到所述抽样特征的标记特征；
[0102]
生成所述标记特征的特征标签，根据所述标记特征和所述特征标签生成所述性能决策模型的训练集。
[0103]
详细地，所述对所述数据特征进行分层抽样是因为在进行模型训练时，选择全量数据进行训练可能会导致过拟合的问题，因此我们需要对数据进行抽样，为了保证抽样后的数据可以代表原始数据的分布情况，我们可以采用分层抽样的方式，按照原始数据的特征分布情况将数据分成多个层次，然后在每个层次内进行抽样，这样可以保证每个层次内的数据分布与原始数据分布相似。
[0104]
详细地，所述根据所述特征关系对所述抽样特征进行特征标记是因为对于每个特征，需要对其进行标记，以便在模型训练中使用，例如：对于连续型特征，可以将其划分成若干个区间，然后用一个离散变量来代表其所属区间；对于离散型特征，可以采用独热编码或者二进制编码等方式将其转换成数值型变量，此外，还可以针对特定特征进行特定的标记，如吸水量、光照强度、基因表达等标记。
[0105]
详细地，所述生成所述标记特征的特征标签是指将每个标记特征与其对应的特征标签进行对应，生成性能决策模型的训练集，其中，所述训练集包括特征和标签，其中特征是由标记特征组成的向量，标签是与特征对应的目标变量。
[0106]
s3、利用预设的因素目标关系算法构建所述镁质耐碱复合材料的性能决策模型。
[0107]
在本发明实施例中，所述利用预设的因素目标关系算法构建所述镁质耐碱复合材料的性能决策模型，包括：
[0108]
利用如下因素目标关系算法构建所述镁质耐碱复合材料的性能决策模型：
[0109]
yi＝β0+β1x
i1
+β2x
i2
+
…
+βjx
ij
+
…
+β
p
x
ip
+εi[0110]
其中，yi是所述性能决策模型中第i个样本的响应变量，x
ij
是所述训练集中的第i个样本的第j个自变量，βj是所述性能决策模型的第j个模型参数，εi是误差项，i是所述训练集中的样本的样本标识，j是所述样本的自变量的自变量标识，p是所述自变量的总数。
[0111]
详细地，所述利用预设的因素目标关系算法构建所述镁质耐碱复合材料的性能决策模型的基本思想是通过线性组合来描述自变量与因变量之间的关系，即将所有自变量的线性组合作为因变量的预测值，然后通过最小化残差平方和的方法，求解模型参数β，以得到最优的线性组合和模型。
[0112]
s4、利用所述训练集和预设的目标函数对所述性能决策模型进行系数调整，得到所述性能决策模型的更新决策模型。
[0113]
在本发明实施例中，所述利用所述训练集和预设的目标函数对所述性能决策模型进行系数调整是指需要根据所述性能决策模型的预测精度和泛化能力进行确定，可以采用交叉验证、留出法等方法进行评估，以确保模型满足预测精度和泛化能力的要求。
[0114]
在本发明实施例中，所述利用所述训练集对所述性能决策模型进行系数调整，得
到所述性能决策模型的更新决策模型，包括：
[0115]
对所述性能决策模型进行参数初始化，得到所述性能决策模型的初始决策模型；
[0116]
利用所述训练集生成所述预设的目标函数的函数值；
[0117]
根据所述函数值的大小对所述性能决策模型进行系数调整，得到所述性能决策模型的更新决策模型。
[0118]
详细地，所述对所述性能决策模型进行参数初始化可以设置初始的模型系数β，通常取0向量或随机向量。
[0119]
详细地，所述预设的目标函数为：
[0120][0121]
其中，q是所述性能决策模型的目标函数值，x
ij
是所述训练集中的第i个样本的第j个自变量，i是所述训练集中的样本的样本标识，n是所述训练集中的样本数量，yi是第i个样本的响应变量，β0是常数项，j是所述样本的自变量的自变量标识，p是所述自变量的总数，βj是所述性能决策模型的第j个模型参数，λ是惩罚系数。
[0122]
详细地，所述预设的目标函数包括平方误差损失和l1正则化项，其中，所述平方误差损失是指模型的预测值与真实值之间的平方误差，l1正则化项是为了避免模型过拟合，对模型的l1范数进行惩罚，其中，所述l1范数是指各个系数的绝对值之和。
[0123]
详细地，所述根据所述函数值的大小对所述性能决策模型进行系数调整可以采用梯度下降法对目标函数进行优化，目的是求得最小化损失函数的最优系数β，在梯度下降过程中，可设置参数步长以控制迭代速度。
[0124]
进一步地，在梯度下降的迭代过程中，根据目标函数的梯度对模型系数进行更新，以求得最优系数β，亦即，先通过训练集得出一个梯度，然后在更新系数时对梯度进行加权，以更好地利用梯度信息，避免算法陷入局部最优解。
[0125]
详细地，通过交叉验证等方法评估更新后的模型，以确认模型的预测精度和泛化能力是否得到了提高，直到更新决策模型达到期望时，停止模型的更新。
[0126]
s5、获取所述镁质耐碱复合材料的实时数据，根据所述更新决策模型生成所述实时数据的实时性能值，利用所述实时性能值确定所述镁质耐碱复合材料的最佳性能因子。
[0127]
在本发明实施例中，所述获取所述镁质耐碱复合材料的实时数据可以使用多种传感器和监测设备来实现，如温度传感器、湿度传感器、应变计、声波传感器等，以获得材料的物理和机械性能数据。
[0128]
在本发明实施例中，所述根据所述更新决策模型生成所述实时数据的实时性能值是指利用多种特征提取方法，将实时数据转换成可用于模型预测的特征，将提取后的特征输入到更新决策模型中，以生成实时性能值。
[0129]
在本发明实施例中，所述利用所述实时性能值确定所述镁质耐碱复合材料的最佳性能因子，包括：
[0130]
根据所述实时性能值的大小选取所述实时性能值中的一个性能值为目标性能值；
[0131]
生成所述目标性能值的性能影响因子，确定所述目标性能值的性能影响因子为所
述镁质耐碱复合材料的最佳性能因子。
[0132]
详细地，所述生成所述目标性能值的性能影响因子是指可以根据训练集和更新决策模型，计算各个自变量对目标变量的贡献程度，根据各个自变量对目标变量的贡献程度确定出目标性能值的性能影响因子，其中，所述性能影响因子是指对所述镁质耐碱复合材料的材料性能产生影响的因素或因素组合，当确保这些性能影响因子达到最佳状态，可以优化产品的性能，提高其质量和寿命。
[0133]
进一步地，根据所述镁质耐碱复合材料的最佳性能因子提高所述镁质耐碱复合材料的耐久性、强度、耐腐蚀性等。
[0134]
本发明实施例通过生成已获取的镁质耐碱复合材料的实验数据的分类数据，并对所述分类数据进行特征选择，得到所述分类数据的数据特征，利用所述数据特征生成所述性能决策模型的训练集，可以帮助我们更加深入、全面地了解材料性能影响因素的相关性，并为镁质耐碱复合材料的性能提升和应用提供有力的支持，利用预设的因素目标关系算法构建所述镁质耐碱复合材料的性能决策模型，并利用所述训练集和预设的目标函数对所述性能决策模型进行系数调整，得到所述性能决策模型的更新决策模型，通过性能决策模型的快速计算和预测，可以大大提高预测效率和速度，因此本发明提出镁质耐碱复合材料性能影响因素分析方法，可以解决镁质耐碱复合材料性能影响因素分析效率较低的问题。
[0135]
如图4所示，是本发明一实施例提供的镁质耐碱复合材料性能影响因素分析装置的功能模块图。
[0136]
本发明所述镁质耐碱复合材料性能影响因素分析装置100可以安装于电子设备中。根据实现的功能，所述镁质耐碱复合材料性能影响因素分析装置100可以包括数据分类模块101、特征选择模块102、模型构建模块103、模型系数调整模块104及最佳性能因子生成模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0137]
在本实施例中，关于各模块/单元的功能如下：
[0138]
所述数据分类模块101，用于获取镁质耐碱复合材料的实验数据，对所述实验数据进行数据分类，得到所述实验数据的分类数据，其中，所述分类数据分为因素数据和目标数据；
[0139]
所述特征选择模块102，用于对所述分类数据进行特征选择，得到所述分类数据的数据特征，利用所述数据特征生成所述性能决策模型的训练集；
[0140]
所述模型构建模块103，用于利用预设的因素目标关系算法构建所述镁质耐碱复合材料的性能决策模型；
[0141]
所述模型系数调整模块104，用于利用所述训练集和预设的目标函数对所述性能决策模型进行系数调整，得到所述性能决策模型的更新决策模型，其中，所述预设的目标函数为：
[0142][0143]
其中，q是所述性能决策模型的目标函数值，x
ij
是所述训练集中的第i个样本的第j
个自变量，i是所述训练集中的样本的样本标识，n是所述训练集中的样本数量，yi是第i个样本的响应变量，β0是常数项，j是所述样本的自变量的自变量标识，p是所述自变量的总数，βj是所述性能决策模型的第j个模型参数，λ是惩罚系数；
[0144]
所述最佳性能因子生成模块105，用于获取所述镁质耐碱复合材料的实时数据，根据所述更新决策模型生成所述实时数据的实时性能值，利用所述实时性能值确定所述镁质耐碱复合材料的最佳性能因子。
[0145]
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种镁质耐碱复合材料性能影响因素分析方法，其特征在于，所述方法包括：获取镁质耐碱复合材料的实验数据，对所述实验数据进行数据分类，得到所述实验数据的分类数据，其中，所述分类数据分为因素数据和目标数据；对所述分类数据进行特征选择，得到所述分类数据的数据特征，利用所述数据特征生成所述性能决策模型的训练集；利用预设的因素目标关系算法构建所述镁质耐碱复合材料的性能决策模型；利用所述训练集和预设的目标函数对所述性能决策模型进行系数调整，得到所述性能决策模型的更新决策模型，其中，所述预设的目标函数为：其中，q是所述性能决策模型的目标函数值，x
ij
是所述训练集中的第i个样本的第j个自变量，i是所述训练集中的样本的样本标识，n是所述训练集中的样本数量，y
i
是第i个样本的响应变量，β0是常数项，j是所述样本的自变量的自变量标识，p是所述自变量的总数，β
j
是所述性能决策模型的第j个模型参数，λ是惩罚系数；获取所述镁质耐碱复合材料的实时数据，根据所述更新决策模型生成所述实时数据的实时性能值，利用所述实时性能值确定所述镁质耐碱复合材料的最佳性能因子。2.如权利要求1所述的镁质耐碱复合材料性能影响因素分析方法，其特征在于，所述对所述实验数据进行数据分类，得到所述实验数据的分类数据，包括：对所述实验数据进行数据格式转化，得到所述实验数据的转化数据；对所述转化数据进行单位统一处理，得到所述转化数据的统一单位数据；根据预设的目标标签对所述统一单位数据进行数据选取，得到所述统一单位数据的目标数据；利用多个预设的因素标签对所述统一单位数据逐个进行数据选取，得到所述统一单位数据的因素数据；汇集所述因素数据和所述目标数据为所述实验数据的分类数据。3.如权利要求2所述的镁质耐碱复合材料性能影响因素分析方法，其特征在于，所述利用多个预设的因素标签对所述统一单位数据逐个进行数据选取，得到所述统一单位数据的因素数据，包括：对预设的因素标签进行向量转化，得到所述预设的因素标签的标签向量；对所述统一单位数据进行向量转化，得到所述统一单位数据的数据向量；逐个计算所述标签向量和所述数据向量的向量相似性，根据所述向量相似性对确定数据向量的数据类别；根据所述数据类别对所述统一单位数据进行数据选取，得到所述统一单位数据的因素数据。4.如权利要求1所述的镁质耐碱复合材料性能影响因素分析方法，其特征在于，所述对所述分类数据进行特征选择，得到所述分类数据的数据特征，包括：对所述分类数据进行特征提取，得到所述分类数据的提取特征，计算所述提取特征的
卡方值；根据所述卡方值的大小对所述分类数据进行特征选择，得到所述分类数据的数据特征。5.如权利要求4所述的镁质耐碱复合材料性能影响因素分析方法，其特征在于，所述计算所述提取特征的卡方值，包括：确定所述提取特征中的目标特征和因素特征，根据所述目标特征和所述因素特征生成所述因素特征的列联表；逐个计算所述列联表中各单元格的期望频数，根据所述列联表的实际观测值和所述期望频数生成所述单元格的单元卡方值；利用所述单元卡方值生成所述提取特征的卡方值。6.如权利要求1所述的镁质耐碱复合材料性能影响因素分析方法，其特征在于，所述利用所述数据特征生成所述性能决策模型的训练集，包括：对所述数据特征进行分层抽样，得到所述数据特征的抽样特征；确定所述抽样特征的特征关系，根据所述特征关系对所述抽样特征进行特征标记，得到所述抽样特征的标记特征；生成所述标记特征的特征标签，根据所述标记特征和所述特征标签生成所述性能决策模型的训练集。7.如权利要求1所述的镁质耐碱复合材料性能影响因素分析方法，其特征在于，所述利用预设的因素目标关系算法构建所述镁质耐碱复合材料的性能决策模型，包括：利用如下因素目标关系算法构建所述镁质耐碱复合材料的性能决策模型：y
i
＝β0+β1x
i1
+β2x
i2
+
…
+β
j
x
ij
+
…
+β
p
x
ip
+ε
i
其中，y
i
是所述性能决策模型中第i个样本的响应变量，x
ij
是所述训练集中的第i个样本的第j个自变量，β
j
是所述性能决策模型的第j个模型参数，ε
i
是误差项，i是所述训练集中的样本的样本标识，j是所述样本的自变量的自变量标识，p是所述自变量的总数。8.如权利要求1所述的镁质耐碱复合材料性能影响因素分析方法，其特征在于，所述利用所述训练集对所述性能决策模型进行系数调整，得到所述性能决策模型的更新决策模型，包括：对所述性能决策模型进行参数初始化，得到所述性能决策模型的初始决策模型；利用所述训练集生成所述预设的目标函数的函数值；根据所述函数值的大小对所述性能决策模型进行系数调整，得到所述性能决策模型的更新决策模型。9.如权利要求1至8中任一项所述的镁质耐碱复合材料性能影响因素分析方法，其特征在于，所述利用所述实时性能值确定所述镁质耐碱复合材料的最佳性能因子，包括：根据所述实时性能值的大小选取所述实时性能值中的一个性能值为目标性能值；生成所述目标性能值的性能影响因子，确定所述目标性能值的性能影响因子为所述镁质耐碱复合材料的最佳性能因子。10.一种镁质耐碱复合材料性能影响因素分析装置，其特征在于，所述装置包括：数据分类模块，用于获取镁质耐碱复合材料的实验数据，对所述实验数据进行数据分类，得到所述实验数据的分类数据，其中，所述分类数据分为因素数据和目标数据；
特征选择模块，用于对所述分类数据进行特征选择，得到所述分类数据的数据特征，利用所述数据特征生成所述性能决策模型的训练集；模型构建模块，用于利用预设的因素目标关系算法构建所述镁质耐碱复合材料的性能决策模型；模型系数调整模块，用于利用所述训练集和预设的目标函数对所述性能决策模型进行系数调整，得到所述性能决策模型的更新决策模型，其中，所述预设的目标函数为：其中，q是所述性能决策模型的目标函数值，x
ij
是所述训练集中的第i个样本的第j个自变量，i是所述训练集中的样本的样本标识，n是所述训练集中的样本数量，y
i
是第i个样本的响应变量，β0是常数项，j是所述样本的自变量的自变量标识，p是所述自变量的总数，β
j
是所述性能决策模型的第j个模型参数，λ是惩罚系数；最佳性能因子生成模块，用于获取所述镁质耐碱复合材料的实时数据，根据所述更新决策模型生成所述实时数据的实时性能值，利用所述实时性能值确定所述镁质耐碱复合材料的最佳性能因子。

技术总结
本发明涉及人工智能技术领域，揭露了一种镁质耐碱复合材料性能影响因素分析方法和装置，该方法包括：生成获取的镁质耐碱复合材料的实验数据的分类数据；对分类数据进行特征选择，得到分类数据的数据特征，利用数据特征生成性能决策模型的训练集；利用预设的因素目标关系算法构建镁质耐碱复合材料的性能决策模型；利用训练集和预设的目标函数对性能决策模型进行系数调整，得到性能决策模型的更新决策模型；获取镁质耐碱复合材料的实时数据，根据更新决策模型生成实时数据的实时性能值，利用实时性能值确定镁质耐碱复合材料的最佳性能因子。本发明可以提高镁质耐碱复合材料性能影响因素分析的效率。响因素分析的效率。响因素分析的效率。


技术研发人员：王宅文 刘小龙
受保护的技术使用者：九江市璀鑫新材料有限公司
技术研发日：2023.06.28
技术公布日：2023/9/9