技术特征：
1.一种生物医用β钛合金的杨氏模量的机器学习预测方法，其特征在于，包括：步骤a：收集钛合金的相组成相关的第一原始数据集和杨氏模量相关的第二原始数据集，分别将第一原始数据集和第二原始数据集中的数据一部分作为训练集，另一部分作为测试集；步骤b：分别对第一原始数据集和第二原始数据集生成皮尔逊相关性热力图查看特征之间的关联程度；步骤c：分别对第一原始数据集和第二原始数据集进行归一化处理得到第一数据集和第二数据集；步骤d：利用特征选择方法，剔除不相关或冗余的特征；步骤e：生成第一层机器学习模型用来预测钛合金的微观组织相组成，采用第一数据集进行模型训练；步骤f：使用第一层机器学习模型预测第二数据集中的钛合金的微观组织是否为β相，筛选后的第二数据集将作为第二层机器学习模型的输入；步骤g：生成第二层机器学习模型用来初步预测β钛合金的杨氏模量，该第二层包括n个不同的基模型；第二层交叉验证的折数为k2，初始化k2＝1，n＝1；步骤h：对第n个模型进行第k2折交叉验证训练；步骤i：判断k2是否小于等于k2，如果是，执行步骤j；否则，执行步骤k；步骤j：k2＝k2+1，回到步骤h；步骤k：判断n是否小于等于n，如果是，继续执行步骤l；如果否，执行步骤m：步骤l：n＝n+1，回到步骤h；步骤m：生成第三层机器学习模型用来预测β钛合金的杨氏模量，将第二层机器学习模型的输出结果作为第三层机器学习模型的输入数据；步骤n：输出第三层机器学习模型的预测结果；至此，模型训练完成。2.根据权利要求1所述的生物医用β钛合金的杨氏模量的机器学习预测方法，其特征在于，所述步骤c采用下式的归一化处理：其中，x代表特征列中样本点的原始初值，x
min
代表样本点所在特征列中的最小值，x
max
代表样本点所在特征列中的最大值，x
′
代表原始数据集经过归一化处理后的数据集。3.根据权利要求1所述的生物医用β钛合金的杨氏模量的机器学习预测方法，其特征在于，所述步骤d中的特征选择方法包括递归消除法和顺序选择向前法。4.根据权利要求1所述的生物医用β钛合金的杨氏模量的机器学习预测方法，其特征在于，步骤e中，所述训练过程为：步骤e1、第一层机器学习模型交叉验证的折数为k1，初始化k1＝1；步骤e2：进行第k1折交叉验证训练；步骤e3：判断k1是否小于等于k1，如果是，执行步骤e4；否则，执行步骤f；步骤e4：k1＝k1+1，回到步骤e2。5.根据权利要求1所述的生物医用β钛合金的杨氏模量的机器学习预测方法，其特征在于，所述步骤e中的第一层机器学习模型为随机森林(random forest)。
6.根据权利要求4所述的生物医用β钛合金的杨氏模量的机器学习预测方法，其特征在于，k1＝5～10。7.根据权利要求1所述的生物医用β钛合金的杨氏模量的机器学习预测方法，其特征在于，k2＝5～10，n＝5。8.根据权利要求7所述的生物医用β钛合金的杨氏模量的机器学习预测方法，其特征在于，所述步骤g中第二层的基模型分别为随机森林(random forest)、极限随机树(extra tree)、支持向量机(svm)、梯度提升(gradient boost)和岭回归(ridge)。9.根据权利要求1所述的生物医用β钛合金的杨氏模量的机器学习预测方法，其特征在于，所述步骤m中第三层机器学习模型为lightgbm。
技术总结
本发明公开了一种生物医用β钛合金的杨氏模量的机器学习预测方法，构建了三层结构，第一层机器学习模型用于预测生物医用钛合金的微观组织相组成，筛选β钛合金数据作为下一层模型的输入；第二层机器学习模型包括多个不同的基模型，输出β钛合金杨氏模量的初步预测结果；第三层机器学习模型以第二层机器学习模型的结果作为输入，得到β钛合金杨氏模量的最终预测结果。本发明提出的多层机器学习模型结构，快速、准确预测了生物医用β钛合金的杨氏模量，可代替大量的重复试验，降低了时间成本和研发成本。和研发成本。
技术研发人员：刘兴军 彭清华 王翠萍 于金鑫 韩佳甲 张锦彬 黄艺雄 郭毅慧 杨水源 卢勇
受保护的技术使用者：厦门大学
技术研发日：2022.03.11
技术公布日：2022/6/7