期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于卷积神经网络模型中梯度与特征分析的材料性能优化与预测机理研究
被引量:
5
1
作者
曹卓
但雅波
+4 位作者
李想
牛程程
董容智
钱松荣
胡建军
《中国材料进展》
CAS
CSCD
北大核心
2020年第5期385-390,共6页
材料信息学作为材料领域一种新的研究方法,引起了国内外广泛的关注。随着材料数据的快速增加,机器学习方法也越来越多地被应用在材料数据的分析中,并有望从大量的材料数据中获取具有指导性的材料学规律。采用卷积神经网络模型,使用从材...
材料信息学作为材料领域一种新的研究方法,引起了国内外广泛的关注。随着材料数据的快速增加,机器学习方法也越来越多地被应用在材料数据的分析中,并有望从大量的材料数据中获取具有指导性的材料学规律。采用卷积神经网络模型,使用从材料数据库中收集得到的4000多种材料的数据,对材料的形成能进行预测并得到了较为准确的预测结果。随后对材料特征矩阵的梯度进行分析,发现了梯度与材料性能间有一定的相关性,并可在梯度矩阵的指导下找到具有目标性能的材料特征矩阵分布。最后对卷积神经网络中识别出的特征模式进行了分析,进一步验证了卷积神经网络具有较好的材料性能预测能力。
展开更多
关键词
材料信息学
卷积神经网络
形成能
梯度分析
特征抽取
下载PDF
职称材料
基于样本冗余控制的材料属性机器学习预测模型
被引量:
2
2
作者
李想
李少波
+4 位作者
但雅波
董容智
曹卓
牛程程
胡建军
《科学技术与工程》
北大核心
2019年第34期278-283,共6页
当前基于机器学习的材料属性预测研究中,通常采用数据库获取的所有数据样本,通过计算其高维向量表示来训练预测模型。然而材料数据库样本的高冗余性导致了训练的模型具有很强的偏向性和过拟合的现象。为此,提出一种剔除数据集中冗余性...
当前基于机器学习的材料属性预测研究中,通常采用数据库获取的所有数据样本,通过计算其高维向量表示来训练预测模型。然而材料数据库样本的高冗余性导致了训练的模型具有很强的偏向性和过拟合的现象。为此,提出一种剔除数据集中冗余性样本的算法,从数据集中选择具有代表性样本;通过使用多种机器学习算法预测材料属性并进行比较,结果表明如果没有实行基准数据集的冗余控制,即使是随机原始数据集也可以由于高冗余样本而得到很好的预测性能指标;研究还发现使用具有代表性样本进行训练实际可以帮助训练出具有更高泛化能力和更具预测性的模型。因此,提出降低冗余度是评估材料性能预测模型的必要步骤。
展开更多
关键词
机器学习
特征选择
冗余度
材料属性
材料性能预测
下载PDF
职称材料
题名
基于卷积神经网络模型中梯度与特征分析的材料性能优化与预测机理研究
被引量:
5
1
作者
曹卓
但雅波
李想
牛程程
董容智
钱松荣
胡建军
机构
贵州大学机械工程学院
贵州大学现代制造技术教育部重点实验室
美国南卡罗来纳大学计算机科学与工程系
出处
《中国材料进展》
CAS
CSCD
北大核心
2020年第5期385-390,共6页
基金
国家自然科学基金资助项目(51741101)。
文摘
材料信息学作为材料领域一种新的研究方法,引起了国内外广泛的关注。随着材料数据的快速增加,机器学习方法也越来越多地被应用在材料数据的分析中,并有望从大量的材料数据中获取具有指导性的材料学规律。采用卷积神经网络模型,使用从材料数据库中收集得到的4000多种材料的数据,对材料的形成能进行预测并得到了较为准确的预测结果。随后对材料特征矩阵的梯度进行分析,发现了梯度与材料性能间有一定的相关性,并可在梯度矩阵的指导下找到具有目标性能的材料特征矩阵分布。最后对卷积神经网络中识别出的特征模式进行了分析,进一步验证了卷积神经网络具有较好的材料性能预测能力。
关键词
材料信息学
卷积神经网络
形成能
梯度分析
特征抽取
Keywords
materials informatics
convolutional neural network
formation energy
gradient analysis
feature extraction
分类号
TB3 [一般工业技术—材料科学与工程]
下载PDF
职称材料
题名
基于样本冗余控制的材料属性机器学习预测模型
被引量:
2
2
作者
李想
李少波
但雅波
董容智
曹卓
牛程程
胡建军
机构
贵州大学机械工程学院
贵州大学现代制造技术教育部重点实验室
美国南卡罗来纳大学计算机科学与工程系
出处
《科学技术与工程》
北大核心
2019年第34期278-283,共6页
基金
国家自然科学基金(51741101)
黔科合平台人才[2018]5781号资助
文摘
当前基于机器学习的材料属性预测研究中,通常采用数据库获取的所有数据样本,通过计算其高维向量表示来训练预测模型。然而材料数据库样本的高冗余性导致了训练的模型具有很强的偏向性和过拟合的现象。为此,提出一种剔除数据集中冗余性样本的算法,从数据集中选择具有代表性样本;通过使用多种机器学习算法预测材料属性并进行比较,结果表明如果没有实行基准数据集的冗余控制,即使是随机原始数据集也可以由于高冗余样本而得到很好的预测性能指标;研究还发现使用具有代表性样本进行训练实际可以帮助训练出具有更高泛化能力和更具预测性的模型。因此,提出降低冗余度是评估材料性能预测模型的必要步骤。
关键词
机器学习
特征选择
冗余度
材料属性
材料性能预测
Keywords
machine learning
feature selection
redundancy
material property
material performance prediction
分类号
TP391.7 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于卷积神经网络模型中梯度与特征分析的材料性能优化与预测机理研究
曹卓
但雅波
李想
牛程程
董容智
钱松荣
胡建军
《中国材料进展》
CAS
CSCD
北大核心
2020
5
下载PDF
职称材料
2
基于样本冗余控制的材料属性机器学习预测模型
李想
李少波
但雅波
董容智
曹卓
牛程程
胡建军
《科学技术与工程》
北大核心
2019
2
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部