基于机器学习的交互式固体推进剂性能预测平台及方法

本发明涉及数据挖掘和含能材料，尤其涉及含能材料固体推进剂配方筛选和预测，具体的说，是基于机器学习的交互式固体推进剂性能预测平台及方法。

背景技术：

1、随着机器学习方法的普及以及经验公式作为理论基础，在数据充分的前提下，仅使用固体推进剂配方来预测固体推进剂的燃速、安全等性能逐渐成为可能。但是，尽管目前机器学习方法数量较多，却需要在数据集构建、方法寻参、交叉验证等方面进行多次尝试，并且将固体推进剂配方转化为可进行机器学习建模的数据集也存在数道工序，尤其是将固体推进剂配方以及实验环境进行参数化这两步，对有化学背景，却没有机器学习和程序处理基础的用户而言十分不友好。为满足用户的多样需求，提升用户体验，需要提供一个交互式平台实现非编程式的固体推进剂性能预测。而目前还不存在这样一个交互式平台。

技术实现思路

1、本发明的目的在于提供基于机器学习的交互式固体推进剂性能预测平台及方法，用于解决现有技术中利用机器学习进行固体推进剂性能预测需要在数据集构建、方法寻参、交叉验证等方面进行多次尝试，并且将固体推进剂配方转化为可进行机器学习建模的数据集也存在数道工序，尤其是将固体推进剂配方以及实验环境进行参数化这两步，对有化学背景，却没有机器学习和程序处理基础的用户而言十分不友好，无法满足用户的多样需求的问题。

2、本发明通过下述技术方案解决上述问题：

3、基于机器学习的交互式固体推进剂性能预测平台，包括：

4、用户输入及结果展示模块，用于供用户选取机器学习方法和参数范围并发送到模型训练及预测模块；用于将用户的开始训练、中断寻参指令和保存最佳参数指令发送给模型训练及预测模块；用于供用户选择配方、已训练完成的模型和实验参数并发送到模型训练及预测模块，还用于可视化展示模型训练及预测模块的反馈结果；

5、模型训练及预测模块，用于根据用户选取机器学习方法和参数范围在数据库检索对应的数据，经过预处理后形成配方信息矩阵，并将矩阵规模反馈给用户输入及结果展示模块进行展示；以及收到用户的开始训练指令后，进行寻参建模，并在接收到用户的中断指令后，停止计算并反馈当前最佳参数；在接收到用户的保存最佳参数指令后，保存当前最佳参数作为模型的参数；以及根据用户的选择配方、已训练完成的模型和实验参数对配方性能进行预测，并反馈到用户输入及结果展示模块。

6、进一步地，所述用户输入及结果展示模块包括：

7、配方信息选择单元，用于供用户选择配方信息，并发送到模型训练及预测模块；

8、模型及参数选择单元，用于供用户选择建模所用的机器学习方法和模型参数，并发送到模型训练及预测模块；

9、指令下发单元，用于供用户下发模型训练开始指令、停止寻参指令以及保存最佳参数及对应模型指令，并发送到模型训练及预测模块；

10、配方评估输入单元，用于供用户已训练完成的模型和实验参数，并发送给模型训练及预测模块；

11、可视化展示单元，用于展示模型训练及预测模块反馈的模型训练过程信息和模型预测结果。

12、进一步地，所述模型训练及预测模块包括：

13、数据库，用于存储配方对应的具体数据、已训练完成的模型和模型的最佳参数；

14、数据样本预处理单元，用于接收所述配方信息选择单元发送的配方信息从数据库检索配方对应的具体数据，并进行数据预处理形成配方信息矩阵存入缓存，并将矩阵规模反馈至所述可视化展示单元；

15、寻参建模单元，用于在接收到所述指令下发单元发送的模型训练开始指令后，根据所述模型及参数选择单元发送的机器学习方法和模型参数，调用缓存中的配方信息矩阵，开始寻参建模并实时反馈模型训练过程信息至所述可视化展示单元，直至在穷尽寻参时反馈全局最佳参数；若寻参过程中接收到所述指令下发单元发送的停止寻参指令时，则停止寻参并反馈当前最佳参数；以及在接收到所述指令下发单元发送的保存最佳参数及对应模型指令时，保存当前最佳参数或全局最佳参数以及模型到数据库；

16、预测单元，用于根据配方评估输入单元发送的已训练完成的模型和实验参数从数据库中选择对应的模型、模型对应的最佳参数，并调用缓存的配方信息矩阵进行预测，并将预测结果发送给所述可视化展示单元。

17、进一步地，所述数据预处理的方法包括：

18、a1、对数据库检索的配方信息进行整理，通过拓扑排序，把不同的组分变为特征，并固定特征位置，从而生成特征索引；

19、a2、根据配方中具体组分含量，确定每个配方中特征的数值，对于配方中缺失的组分进行数值补零，生成特征矩阵；

20、a3、对生成的特征矩阵中设定的属性设定的属性如压强等部分分布较广且非负的进行对数化操作，公式为：

21、

22、a4、若是建模流程，则生成对应的标签信息，标签信息为固体推进剂性能指标，若是预测流程，则只生成特征。

23、进一步地，所述寻参建模的方法包括：

24、b1、判断实验参数中是否存在环境信息，如果存在，则增加预处理过程中的特征矩阵的特征数量；

25、b2、根据传递的参数数量，以及交叉验证的次数，对子数据集进行拆分并进一步生成子任务列表，子数据集的数量为交叉验证次数nk，即数据集会分割为nk份，并且每一份会作为测试集对建模性能进行一次评估，每一套参数的评估指标则为该组参数在这nk次评估指标的均值，而总任务数为所有参数在完全组合后与交叉验证次数的乘积：

26、ntask＝nk∏p∈θ|p|

27、其中p为某个参数的所有取值组成的集合，而θ为所有参与寻参的参数组成的集合，这些参数和子数据集组成的列表即为任务列表；

28、b3、确定任务列表后，模型根据传入信息初始化模型，确定使用的计算资源等环境信息后，根据任务列表逐一开始建模计算，每次建模后都会使用子数据集中的测试集来评估模型性能，并将该信息保存。

29、进一步地，所述预测的方法包括：

30、将配方信息矩阵中的特征和模型建模时使用的特征对比，在特征匹配的情况下，对模型继续初始化，将建模时的最佳装入初始化模型中，并使用该模型对配方信息矩阵进行标签预测。

31、基于机器学习的交互式固体推进剂性能预测方法，包括：

32、步骤s1、用户端选择配方信息，前端选取信息发送给后端，后端通过数据库检索获取具体数据，经过预处理形成配方信息矩阵，并将矩阵规模反馈给前端进行展示，完成第一次交互；

33、步骤s2、用户根据矩阵规模，选择建模所用的机器学习方法和参数，参数包含模型参数和实验环境参数，发送模型训练开始指令，前端将模型训练开始指令传递给后端，后端收到指令后开始进行寻参建模，完成第二次交互；

34、步骤s3、在寻参过程中，后端实时反馈模型训练过程信息至前端，当用户发送停止寻参指令时，后端终止建模过程，模型在收到信号后停止计算并反馈当前最佳参数；如果不停止寻参，模型则在穷尽目前所有参数组合后停止计算并反馈全局最佳参数，用户在寻参结束后选择是否保存最佳参数和对应的模型到数据库中用于预测；

35、步骤s4、完成建模后，用户通过选择配方、已训练完成的模型和实验参数，通过前端发送给后端，后端即可根据信息进行预测，前端会将预测结果通过图表的方式对用户进行展示，用户选择是否保存预测图表。

36、根据用户选择的配方信息数据预处理成配方信息矩阵具体为：

37、首先，后端将上一步数据库检索的配方信息进行整理，通过拓扑排序，把不同的组分变为特征，并固定特征位置，从而生成特征索引；

38、然后，根据配方中具体组分含量，确定每个配方中特征的数值，对于配方中缺失的组分进行数值补零；

39、对生成的特征矩阵中压强等部分分布较广且非负的属性进行对数化操作，公式为

40、如果是建模流程，还会生成对应的标签信息，标签为燃速、安全等固体推进剂性能指标，而预测过程只生成特征；

41、将数据规模反馈给前端，并将生成的矩阵存入缓存，等待后续建模时调用。

42、寻参建模的具体方法为：

43、首先，后台会根据前台传递的信息，从缓存中获取对应的数据矩阵，并判断参数中是否存在压强等环境信息，如果存在，则会进一步增加预处理过程中的特征矩阵的特征数量。

44、根据传递的参数数量，以及交叉验证的次数，对子数据集进行拆分并进一步生成子任务列表。子数据集的数量为交叉验证次数nk，即数据集会分割为nk份，并且每一份会作为测试集对建模性能进行一次评估，每一套参数的评估指标则为该组参数在这nk次评估指标的均值。而总任务数为所有参数在完全组合后与交叉验证次数的乘积：ntask＝nk∏p∈θ|p|；

45、其中p为某个参数的所有取值组成的集合，而θ为所有参与寻参的参数组成的集合。这些参数和子数据集组成的列表即为任务列表。

46、确定任务列表后，模型会根据传入信息先初始化模型，并确定使用的计算资源等环境信息后，就会根据列表逐一开始建模计算。每次建模后都会使用子数据集中的测试集来评估模型性能，并将该信息保存。在每一次子任务结束后，模型都会把计算完成的参数以及评估指标反馈给前端用于进度展示，并且会检查是否收到停止信号，如果收到，则立即终止计算流程，如果一直没有收到终止信息，则会在遍历完任务列表后自动终止。

47、在流程结束后，模型会统计交叉验证中，评估指标最高的模型所对应的参数，并将最优模型其存入缓存，如果用户选择保存，后续会存入数据库，否则将其销毁。

48、采用模型预测配方的具体方法为：

49、后台在收到前台的参数后，首先通过预处理流程将预测用的配方(无标签)生成为数值矩阵。

50、将生成的数值矩阵的特征和模型建模时使用的特征进行对比，只有在特征匹配的情况下才能继续进行预测流程。

51、和建模类似，对模型进行初始化，但仅将建模时的最优参数装入初始化模型中。并使用该模型对建立的的数值矩阵进行标签预测。

52、将预测结果反馈给前端进行可视化、保存等后续流程。

53、本发明与现有技术相比，具有以下优点及有益效果：

54、(1)本发明提供基于机器学习的交互式固体推进剂性能预测平台，用户仅需要进行最基础的选择即可对选定的配方和实验环境进行机器学习建模和性能预测，在训练过程中还可以及时中断训练进程。

55、(2)本发明自动生成用于机器学习建模的矩阵，免去用户自行转换数据的过程，自动完成最为费时费力的多参数以及n折交叉验证的组合，形成任务列表；同时提供建模流程的可视化。