1.一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法,其特征在于,包括以下步骤:
步骤1,根据kvfd的松弛、蠕变、加载-卸载三种加载方式的解的情况,分别建立对应的k叉树字典,所述k叉树字典的每个节点包括预设数量的值;其中,所述预设数量的值中的前n个值为按预设定时间步长对曲线采样获得的n个点,所述预设数量的值中的后6个值为[e0,α,τ,r,v,tr],[e0,α,τ]为kvfd模型待拟合的3个变量,r,v,tr为3个常数;
步骤2,获取待测曲线,根据待测曲线点tr处的值与待测曲线的凹凸性,判断待测曲线所属的具体类型;在待测曲线具体类型对应的k叉树字典中进行全局搜索,得到与待测曲线rmse最小的k叉树字典中的曲线所对应的节点,获取k叉树字典中的曲线的参数[e0,α,τ];
步骤3,将步骤2获得的参数[e0,α,τ]表示为向量,并放缩至一个参数区间;在所得的参数区间内,按照待测曲线所对应的kvfd模型生成预设数量的曲线,加入随机的高斯噪声,记录每条曲线所对应的参数,划分为训练集与测试集传入机器学习模型进行训练,选出rmse最小的模型作为训练的最终模型;
步骤4,使用步骤3获得的最终模型对待测曲线进行参数估计;将参数估计获得的结果通过q-learning算法进一步学习,获得优化结果。
2.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法,其特征在于,步骤1中,建立对应的k叉树字典时,度量节点差异性的公式为:
式中,m为曲线的点数,i代表第i个点,node1i、node2i分别为待衡量差异性的两条曲线的纵坐标值。
3.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法,其特征在于,步骤2具体步骤包括:
步骤2.1,获取待测曲线之后,进行降采样操作,按预设时间步长对曲线采样n个点;
步骤2.2,将步骤2.1处理所得曲线根据曲线在tr附近的凹凸性判断曲线所属的具体类型;
步骤2.3,基于步骤2.2获得的曲线的具体类型,在对应的k叉树字典中进行搜索,得到与曲线rmse最小的曲线;将rmse最小的曲线对应的节点取出,将取出节点中的参数[e0,α,τ]作为初筛获得的参数。
4.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法,其特征在于,步骤1中,n为300。
5.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法,其特征在于,步骤3中,所述机器学习模型包括6个经典机器学习模型。
6.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法,其特征在于,步骤3具体包括:
将步骤2获得的参数[e0,α,τ]表示为向量x,并放缩至参数区间[0.1x,2x];
在参数区间中利用相对应的解的情况,随机均匀地生成多条曲线,按预设比例划分为训练集与验证集;
将训练集和验证集并行送入6个经典机器学习模型中进行训练,选出rmse最小的模型作为机器学习训练的最终模型。
7.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法,其特征在于,步骤4中,q-learning中对tr前后的曲线做不同权重的适应性函数;其中,适应性函数的确定包括:
式中,m1为tr之前的曲线的点的数量,m2为tr之后的曲线的点的数量,yi为预测值,y’i为真值,k表示权重系数。
8.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法,其特征在于,步骤3中,划分为训练集与测试集传入机器学习模型进行训练时,采用并行训练。
9.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法,其特征在于,所述优化方法用于纳米压痕仪和原子力显微镜。