技术特征：
1.一种材料性能识别方法，其特征在于，包括：从特征集合中选取出目标物理特征作为输入量，将所述目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练；从训练后的所述预设神经网络模型中选取出被所述目标物理特征激活的节点，并对选取出的节点进行关联参数的约束；判断所述特征集合中的各个物理特征是否均被选取出；如果否，则返回执行所述从特征集合中选取出目标物理特征作为输入量，将所述目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练的操作；如果是，则确定当前的预设神经网络模型为性能识别模型，并将待识别材料的物理特征输入至所述性能识别模型，得到所述待识别材料的性能识别结果。2.根据权利要求1所述的材料性能识别方法，其特征在于，所述预设神经网络模型的总损失函数表示为；其中，表示为预测损失项，表示为相关性损失系数，表示为去相关损失项。3.根据权利要求2所述的材料性能识别方法，其特征在于，所述预测损失项表示为：；其中，表示的是真实标签，表示的是预测标签。4.根据权利要求2所述的材料性能识别方法，其特征在于，所述去相关损失项表示为：；其中，表示为具有当前指定的目标物理特征的样本，表示为不具有当前指定的目标物理特征的样本，表示的是神经元前一层节点的特征值，表示的是权重，表示的是偏置，表示的是预设神经网络模型的层数，表示的是预设神经网络模型的第层，表示的是个样本中的第个样本，表示的是个样本中的第个样本，表示的是神经元前一层的全部节点，表示的是个节点中的第节点。5.根据权利要求2所述的材料性能识别方法，其特征在于，当从训练后的所述预设神经网络模型中选取出被所述目标物理特征激活的节点的数量为0时，还包括：增大相关性损失系数的取值，并返回执行所述从特征集合中选取出目标物理特征作为输入量，将所述目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练的操作。
6.根据权利要求1所述的材料性能识别方法，其特征在于，所述特征集合中的物理特征包括：材料组分、物质配比、元素价态、材料微观结构、材料尺寸中的至少一项。7.根据权利要求1至6任一项所述的材料性能识别方法，其特征在于，所述从训练后的所述预设神经网络模型中选取出被所述目标物理特征激活的节点，包括：从训练后的所述预设神经网络模型中选取出与所述目标物理特征的相关性超过预设的相关性阈值的各个节点作为被所述目标物理特征激活的节点。8.一种材料性能识别系统，其特征在于，包括：特征选取训练模块，用于从特征集合中选取出目标物理特征作为输入量，将所述目标物理特征对应的材料性能作为输出量，对预设神经网络模型进行训练；参数约束模块，用于从训练后的所述预设神经网络模型中选取出被所述目标物理特征激活的节点，并对选取出的节点进行关联参数的约束；判断模块，用于判断所述特征集合中的各个物理特征是否均被选取出；如果否，则触发所述特征选取训练模块；如果是，则触发执行模块，所述执行模块用于确定当前的预设神经网络模型为性能识别模型，并将待识别材料的物理特征输入至所述性能识别模型，得到所述待识别材料的性能识别结果。9.一种材料性能识别设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以实现如权利要求1至7任一项所述的材料性能识别方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的材料性能识别方法的步骤。
技术总结
本申请公开了一种材料性能识别方法，包括：从特征集合中选取出目标物理特征作为输入量，对应的材料性能作为输出量，对预设神经网络模型进行训练；选取出被目标物理特征激活的节点，并对选取出的节点进行关联参数的约束；判断特征集合中的各个物理特征是否均被选取出；如果否，则返回执行从特征集合中选取出目标物理特征作为输入量，对应的材料性能作为输出量的操作；如果是，则确定当前的预设神经网络模型为性能识别模型，并将待识别材料的物理特征输入至性能识别模型，得到性能识别结果。应用本申请的方案，可以利用性能识别模型进行材料性能识别，且便于理解。本申请还公开了一种材料性能识别系统、设备及存储介质，具有相应效果。应效果。应效果。
技术研发人员：李辰 徐哲 姜金哲 张新 赵雅倩
受保护的技术使用者：苏州浪潮智能科技有限公司
技术研发日：2022.03.18
技术公布日：2022/4/15