一种基于特征提取的高分子材料玻璃化温度的预测方法

本发明涉及太赫兹光谱检测，特别是涉及一种基于特征提取的高分子材料玻璃化温度的预测方法。

背景技术：

1、聚合物玻璃化转变作为非晶聚合物的玻璃态和高弹态之间的转变，对材料性能尤其是力学性能具有重要影响。太赫兹光谱技术作为一种新型的电磁光谱分析技术，具有非接触、快速和高灵敏度等优势，在聚合物玻璃化转变研究中显示出重要的应用潜力。

2、伴随着材料科学的不断发展，高分子材料(plm)已被广泛地应用于许多领域，如电子、光电子、航空航天和汽车工业。在plm的研究中，玻璃化转变温度(tg)是一个重要的参数，它可以反映材料的硬度、韧性、耐热性等关键性能，所以在plm的研究和生产中被广泛使用。然而，tg的测量和预测一直是一个具有挑战性的问题。传统的测量方法需要使用复杂的实验设备和许多样品，它们很容易受到外部环境的影响，所以结果并不准确和可靠。因此，研究人员开始探索使用新的技术手段和算法来预测tg值。最近，太赫兹时域光谱学(thz-tds)和机器学习(ml)已被广泛采用于plm的tg预测。作为一种无损检测(ndt)方法，太赫兹-tds技术可以获得plm的复杂结构信息和动态特性，从而为预测tg值提供一种新的方法。同时，ml算法也被应用于tg预测，如支持向量回归(svr)、极端学习机(elm)和主成分分析(pca)。这些算法可以自动从数据中学习特征并实现高效的预测模型，从而实现对tg值的精确预测。因此，准确测量和预测plm的tg值对于优化材料性能和应用具有重要意义。thz-tds技术和ml算法的应用为tg预测提供了新的思路和方法，有望在未来得到更广泛的应用。

技术实现思路

1、本发明的目的是提供一种基于特征提取的高分子材料玻璃化温度的预测方法，通过构建预测模型来充分挖掘高分子材料的特征信息，实现对高分子材料玻璃化温度的精确预测。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于特征提取的高分子材料玻璃化温度的预测方法，包括：

4、获取待测太赫兹光谱数据；

5、将所述待测太赫兹光谱数据输入预设的预测模型中，获取高分子材料玻璃化温度的预测值，其中，所述预测模型通过训练集训练获得，所述训练集包括太赫兹光谱数据，所述预测模型基于离散小波包分解和支持向量回归算法构建。

6、进一步地，通过所述训练集训练所述预测模型之前还包括：对所述训练集进行预处理，对所述训练集进行预处理的方法为：

7、对所述训练集进行去噪和归一化处理。

8、进一步地，所述预测模型包括：信号分解模块、特征提取模块、特征筛选模块，所述信号分解模块用于对所述太赫兹光谱数据进行分解，获取子带；所述特征提取模块用于提取所述子带的特征；所述特征筛选模块用于对所述子带的特征进行筛选整合，获取特征向量。

9、进一步地，采用离散小波包分解法对所述太赫兹光谱数据进行分解并提取所述子带的特征。

10、进一步地，所述子带的特征为：

11、f＝f(j，k，1)，f(j，k，2)，...，f(j，k，m)

12、其中，f为子带，j为离散小波包分解层次结构，k为子带的编号，m为子带特征个数；

13、将所有子带的特征整合为一个特征向量：

14、f＝[f(1，1，1)，f(1，1，2)，...，f(n，n，m)]

15、其中，f为所有子带特征，n为离散小波包分解层数，n为子带个数。

16、进一步地，对所述子带的特征进行筛选整合后获取的特征向量为：

17、fprime＝featureselection(f)

18、其中，fprime为筛选整合后得到的子带特征向量。

19、进一步地，通过所述训练集训练所述预测模型过程中还包括：

20、基于支持向量回归算法，选择核函数和正则化参数对所述预测模型的参数进行优化，对所述预测模型的参数进行优化的方法为：

21、w·φ(xi)+b＝0

22、f(xi)＝w·φ(xi)+b

23、其中，φ(xi)为训练集中样本xi映射到高维空间得到的特征向量，w为预测模型的权重参数，b为预测模型的偏置参数，f(xi)为预测模型对样本xi的预测值。

24、进一步地，构建所述预测模型还包括：基于测试集对所述预测模型进行评估，所述测试集包括除所述训练集以外的太赫兹光谱数据，基于所述测试集对所述预测模型进行评估的方法为：

25、将所述测试集输入训练后的所述预测模型中，获取所述测试集的高分子材料玻璃化温度的预测值，并将所述预测值转换为实际值；

26、计算所述预测值和实际值的平均绝对误差、平均平方误差和决定系数，若所述平均绝对误差、平均平方误差和决定系数均在预设范围内，则所述预测模型构建结束；若所述平均绝对误差、平均平方误差和决定系数超出预设范围，则调整所述预测模型的参数，重新进行训练，直至达到预设条件。

27、本发明的有益效果为：

28、本发明所提出的一种基于特征提取的高分子材料玻璃化温度的预测方法，首先对采集到的太赫兹光谱数据进行去噪和归一化处理，以消除噪声并使数据具有相同的尺度和范围；其次采用dwpd将太赫兹光谱数据分解成多个子带，每个子带代表不同的频率范围，从而提取更多的特征信息；然后从分解的子带中提取有效的特征，并利用特征选择和降维方法选择最重要的特征，以减少特征数量，提高模型效率；随后，采用svr算法对通过训练集训练预测模型，并通过寻找最优超平面实现回归预测；最后，利用测试集来评估预测模型的预测和概括能力，及时对预测模型进行调整，使模型具有较高的预测精度和泛化能力，可以为plm的研究和应用提供重要的参考和指导。

技术特征：

1.一种基于特征提取的高分子材料玻璃化温度的预测方法，其特征在于，包括：

2.根据权利要求1所述的基于特征提取的高分子材料玻璃化温度的预测方法，其特征在于，通过所述训练集训练所述预测模型之前还包括：对所述训练集进行预处理，对所述训练集进行预处理的方法为：

3.根据权利要求1所述的基于特征提取的高分子材料玻璃化温度的预测方法，其特征在于，所述预测模型包括：信号分解模块、特征提取模块、特征筛选模块，所述信号分解模块用于对所述太赫兹光谱数据进行分解，获取子带；所述特征提取模块用于提取所述子带的特征；所述特征筛选模块用于对所述子带的特征进行筛选整合，获取特征向量。

4.根据权利要求3所述的基于特征提取的高分子材料玻璃化温度的预测方法，其特征在于，采用离散小波包分解法对所述太赫兹光谱数据进行分解并提取所述子带的特征。

5.根据权利要求3所述的基于特征提取的高分子材料玻璃化温度的预测方法，其特征在于，所述子带的特征为：

6.根据权利要求5所述的基于特征提取的高分子材料玻璃化温度的预测方法，其特征在于，对所述子带的特征进行筛选整合后获取的特征向量为：

7.根据权利要求1所述的基于特征提取的高分子材料玻璃化温度的预测方法，其特征在于，通过所述训练集训练所述预测模型过程中还包括：

8.根据权利要求1所述的基于特征提取的高分子材料玻璃化温度的预测方法，其特征在于，构建所述预测模型还包括：基于测试集对所述预测模型进行评估，所述测试集包括除所述训练集以外的太赫兹光谱数据，基于所述测试集对所述预测模型进行评估的方法为：

技术总结本发明涉及太赫兹光谱检测技术领域，特别是涉及一种基于特征提取的高分子材料玻璃化温度的预测方法，包括：获取待测太赫兹光谱数据；将所述待测太赫兹光谱数据输入预设的预测模型中，获取高分子材料玻璃化温度的预测值，其中，所述预测模型通过训练集训练获得，所述训练集包括太赫兹光谱数据，所述预测模型基于离散小波包分解和支持向量回归算法构建。本发明所构建的预测模型具有良好的稳定性和可靠性，可应用于分子材料的无损检测和分析。技术研发人员：凌东雄,柯智林,魏东山,董冰受保护的技术使用者：东莞理工学院技术研发日：技术公布日：2024/6/11