材料介电常数预测方法、装置、计算机设备及存储介质

1.本发明涉及计算机，更具体地说是指低温共烧陶瓷材料的材料介电常数预测方法、装置、计算机设备及存储介质。


背景技术：

2.ltcc(低温共烧陶瓷，low temperature co
‑
fired ceramic)是1982年美国休斯公司开发的新型材料技术。最初ltcc主要用于军事领域，但目前ltcc已广泛用于汽车电子、通信及医疗设备等领域。ltcc是以应用驱动及工艺技术为先导而发展的技术。ltcc能将四大无源器件如电感、电阻、变压器以及电容埋入多层陶瓷板中，然后叠压在一起，内外电极可分别使用银、铜、金等金属，在900℃下一体烧结，制成三维空间互不干扰的高密度电路，也可制成内置无源元件的三维电路基板，具有集成度高、成本低、生产效率高等特点。
3.传统低温共烧陶瓷材料的开发过程采用试错法，是基于成功制备实验样品的基础上，对样品进行各种物性测量从而了解它的各种物理性质，并通过不同的性能参数对材料进行分析和分类应用，实验研究对实验样品具有很大的依赖性，实验步骤繁琐，从研发到应用需要15～25年甚至更长的周期，往往达不到预期效果。如果能在实验前通过计算或者模拟的方式，提前预测出材料性能，或者缩小范围，能够有效地降低开发周期和开发成本。目前对多项陶瓷复合有效介电常数的计算，通常采用的是对lichterecker广义混合对数方程或者maxwell
‑
wagner模型及其变形模型。但是这些模型都只是对两相复合或者部分特定材料体系能有效预测。对于低温共烧陶瓷这种多体系、多相复合的陶瓷，适应性不好。
4.综上所述，目前现有的建模方法和预测模型，不能有效的对低温共烧陶瓷材料的介电常数进行预测。
5.因此，有必要设计一种新的方法，实现能够有效预测低温共烧陶瓷材料介电常数，在一定程度上降低开发成本和周期。


技术实现要素：

6.本发明的目的在于克服现有技术的缺陷，提供材料介电常数预测方法、装置、计算机设备及存储介质。
7.为实现上述目的，本发明采用以下技术方案：材料介电常数预测方法，包括：
8.获取待预测的低温共烧陶瓷材料的配方，以得到待预测材料；
9.将所述待预测材料输入至预测模型内进行介电常数预测，以得到预测结果；
10.其中，所述预测模型是通过已知介电常数的低温共烧陶瓷材料作为样本集训练随机森林模型所得的。
11.其进一步技术方案为：所述预测模型是通过已知介电常数的低温共烧陶瓷材料作为样本集训练随机森林模型所得的，包括：
12.获取已知介电常数的低温共烧陶瓷材料，以得到样本集；
13.预处理所述样本集，以得到处理结果；
14.构建随机森林模型；
15.利用所述处理结果对所述随机森林模型进行训练；
16.对训练后的随机森林模型进行预测，以得到预测结果；
17.根据所述预测结果确定随机森林模型的参数，以得到预测模型。
18.其进一步技术方案为：所述预处理所述样本集，以得到处理结果，包括：
19.对所述样本集提取特征参数；
20.转化所述特征参数，以得到处理结果。
21.其进一步技术方案为：所述特征参数包括复合材料的介电常数、组成所述复合材料的原材料的介电常数、含量和密度。
22.其进一步技术方案为：所述转化所述特征参数，以得到处理结果，包括：
23.将所述特征参数中组成所述复合材料的原材料含量转化为体积的百分比，以得到处理结果。
24.其进一步技术方案为：所述利用所述处理结果对所述随机森林模型进行训练，包括：
25.采用五折交叉检验法利用所述处理结果对所述随机森林模型进行训练。
26.其进一步技术方案为：所述根据所述预测结果确定随机森林模型的参数，以得到预测模型，包括：
27.判断所述预测结果是否小于设定的阈值；
28.若所述预测结果是小于设定的阈值，则将训练所得的随机森林模型的参数作为预测模型的参数，以得到预测模型；
29.若所述预测结果不是小于设定的阈值，则调整所述随机森林模型的参数，并执行所述利用所述处理结果对所述随机森林模型进行训练。
30.本发明还提供了材料介电常数预测装置，包括：
31.材料获取单元，用于获取待预测的低温共烧陶瓷材料的配方，以得到待预测材料；
32.预测单元，用于将所述待预测材料输入至预测模型内进行介电常数预测，以得到预测结果。
33.本发明还提供了一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
34.本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。
35.本发明与现有技术相比的有益效果是：本发明通过提取已公开的多种体系的低温共烧陶瓷材料配方的数据集，通过原材料的介电常数、体积百分比、密度三个参数，训练基于随机森林算法的机器学习模型，通过训练后的预测模型对待测的低温共烧陶瓷材料的配方进行介电常数的预测，提高了预测的准确率以及泛化效果，缩短了新材料的开发周期和成本。
36.下面结合附图和具体实施例对本发明作进一步描述。
附图说明
37.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
38.图1为本发明实施例提供的材料介电常数预测方法的应用场景示意图；
39.图2为本发明实施例提供的材料介电常数预测方法的流程示意图；
40.图3为本发明实施例提供的材料介电常数预测方法的子流程示意图；
41.图4为本发明实施例提供的材料介电常数预测方法的子流程示意图；
42.图5为本发明实施例提供的材料介电常数预测方法的子流程示意图；
43.图6为本发明实施例提供的预测模型的预测效果展示图；
44.图7为本发明实施例提供的材料介电常数预测装置的示意性框图；
45.图8为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
46.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
47.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
48.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
49.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
50.请参阅图1和图2，图1为本发明实施例提供的材料介电常数预测方法的应用场景示意图。图2为本发明实施例提供的材料介电常数预测方法的示意性流程图。该材料介电常数预测方法应用于服务器中。该服务器与终端进行数据交互，通过终端输入待预测的低温共烧陶瓷材料的配方，经由服务器内的预测模型进行低温共烧陶瓷材料的介电常数的预测，并将预测结果反馈至终端。
51.图2是本发明实施例提供的材料介电常数预测方法的流程示意图。如图2所示，该方法包括以下步骤s110至s120。
52.s110、获取待预测的低温共烧陶瓷材料的配方，以得到待预测材料。
53.在本实施例中，待预测材料是指需要预测材料介电常数的低温共烧陶瓷材料的配方。
54.s120、将所述待预测材料输入至预测模型内进行介电常数预测，以得到预测结果。
55.在本实施例中，预测结果是指经过预测模型进行机器学习预测所得的材料介电常数。
56.预测新的配方的介电常数即不在训练集和测试集中的配方，还可通过实验加工出测试的配方材料，实际测试出介电常数与预测结果对比，以确保实际使用过程的预测模型的准确率。
57.具体地，预测模型是通过已知介电常数的低温共烧陶瓷材料作为样本集训练随机森林模型所得的。
58.在一实施例中，请参阅图3，上述的预测模型是通过已知介电常数的低温共烧陶瓷材料作为样本集训练随机森林模型所得的，可包括步骤s121～s126。
59.s121、获取已知介电常数的低温共烧陶瓷材料，以得到样本集。
60.在本实施例中，样本集是指从公开的文献和实验中获取用于预测低温共烧陶瓷材料介电常数的低温共烧陶瓷材料的配方。
61.样本集包含但不限于玻璃/陶瓷复合体系、非晶玻璃体系和微晶玻璃体系，提取的样本集数量应大于150组，以确保模型训练过程的准确率。
62.s122、预处理所述样本集，以得到处理结果。
63.在本实施例中，处理结果是指复合材料的介电常数、组成所述复合材料的原材料的介电常数、含量和密度，其中，组成所述复合材料的原材料的含量是以体积百分比的形式表述。
64.在一实施例中，请参阅图4，上述的步骤s122可包括步骤s1221～s1222。
65.s1221、对所述样本集提取特征参数；
66.s1222、转化所述特征参数，以得到处理结果。
67.具体地，将所述特征参数中组成所述复合材料的原材料含量转化为体积的百分比，以得到处理结果。
68.通过人工提取文献中的ltcc的材料配方数据，形成样本集，其中，样本集中包含复合材料的介电常数、原材料组分的名称、配比，然后通过材料数据库等查询原材料的介电常数、密度两个参数，和提取到的复合材料介电常数、原材料的介电常数、原材料的体积百分比、密度组成特征参数，查询过程可采用关键词查询的方式执行，将提取出的特征参数中的原材料的含量全部转化为体积百分比，由此得到处理结果。
69.s123、构建随机森林模型；
70.s124、利用所述处理结果对所述随机森林模型进行训练。
71.在本实施例中，采用五折交叉检验法利用所述处理结果对所述随机森林模型进行训练。
72.数据分组时，采用随机分组。即将提取的样本集随机分成5组，取其中的4组用来训练模型，剩余的1组，用来对训练完成的模型进行测试。这样重复训练和测试多次。具体地，随机将特征样本集分成5组，其中4组为训练集，用来训练模型，一组作为测试集，用来测试模型预测效果算出平均绝对误差；重复上述过程5次，得到5个平均绝对误差；5次随机分组，在一定程度上避免了过拟合，提高了泛化效果。
73.s125、对训练后的随机森林模型进行预测，以得到预测结果。
74.在本实施例中，预测结果是计算训练后的随机森林模型在测试时输出的预测结果的平均绝对误差。
75.每次训练完成后的模型，使用测试集测试后，会得到一个平均绝对误差，计算整个
模型的平均绝对误差来评价机器学习的预测效果。当平均绝对误差值小于1.5时，停止训练。
76.平均绝对误差的计算方式为其中，y
i
为随机森林模型在测试时第i个复合介电常数的真实值；是指随机森林模型在测试时所输出的第i个预测值；n为总的测试次数。
77.此外，评估参数增加两项，一项为均方误差，表示的是测试集样本预测值与实际值的差的平方求和后的均值。该参数进一步修正了平均对误差，该大小可以反应出测试集差值的离散程度，值越小，模型的稳定性越好。在实施例中，这个值的阀值设置为<4.0，计算公式为另一项为决定系数r2，表示的是预测模型的拟合程度，是一个介于0
‑
1之间的值，越接近1，则表示拟合度越好，一般该值的阀值设置为>0.9。该实施例中，施例中，其中：y
i
表示测试集中要预测的第i个复合介电常数的真实值，表示要预测的所有复合介电常数的真实值的均值。
78.在该实施例中，通过训练和参数调优后的模型的评估参数的值为：mae＝1.04，mse＝3.56，r2＝0.99。
79.s126、根据所述预测结果确定随机森林模型的参数，以得到预测模型。
80.在一实施例中，请参阅图5，上述的步骤s126可包括步骤s1261～s1263。
81.s1261、判断所述预测结果是否小于设定的阈值；
82.s1262、若所述预测结果是小于设定的阈值，则将训练所得的随机森林模型的参数作为预测模型的参数，以得到预测模型；
83.s1263、若所述预测结果不是小于设定的阈值，则调整所述随机森林模型的参数，并执行所述步骤s124。
84.在本实施例中，上述的设定的阈值为但不局限于1.5，可以依据实际情况而选定不同的阈值。
85.在本实施例中，随机森林模型的参数如下：树的个数n_estimators＝100；树的最深深度max_depth＝10；随机状态random_state＝0。
86.这几个参数都是随机森林模型的参数，只是取值不同。上面的取值，是这个发明中的取值。
87.使用平均绝对误差来评估，平均绝对误差小于1.5，则预测模型表现良好，根据已知介电常数的低温共烧陶瓷材料作为样本集，训练机器学习模型，在本实施例中红，机器学习模型采用的是随机森林模型，使得预测模型可有效预测低温共烧陶瓷材料介电常数的方法，可以在一定程度上降低开发成本和周期，依靠已经公开的实验数据，获取大量的数据集，使用随机森林算法建立机器学习模型，通过对模型的训练，提高了预测的进度和泛化效果。解决了低温共烧陶瓷材料在介电常数的预测问题。
88.举个例子：从文献中提取了包含cao
‑
b2o3
‑
sio2系、li2o
‑
b2o3
‑
sio2、mgo
‑
al2o3
‑
sio2等多个体系的低温共烧陶瓷材料的配方数据160组，将获取的数据预处理后，形成训练集和测试集。使用python编程建立机器学习模型。训练完成后计算平均绝对误差。加工测试
了包含这其中三个体系的6个低温共烧陶瓷配方作为验证。验证集的配方数据如表1所示。
89.表1.验证集的配方数据
[0090][0091]
不同模型对验证集的预测结果对比如表2所示。表2只展示预测模型和lichterecker广义混合对数方程对比。另外一种数学公式只能算两种材料的，不能推导到多种材料，而且，机器学习预测的体系必须是训练集中学习过的体系，不是相同配方，但是要是包含的体系种类。
[0092]
表2.不同模型对验证集的预测结果
[0093][0094]
通过表2可知提高了随机森林模型形成的预测模型预测的准确率以及泛化效果，缩短了新材料的开发周期和成本，具体可如图6所示。
[0095]
在本实施例中，随机森林模型的框架参数主要有三个：n_estimators即决策树的个数，如果该参数太小，容易出现欠拟合，一般情况下越大，改参数值越大，拟合效果越好，但是计算量也会增大，达到某个值后，继续增加该参数的值，会继续增加计算量和时间，但是对拟合程度的提升很小，效果就不能得到明显提升，所以在调参数的时候，会优选一个兼顾计算量和拟合的效果的值。bootstrp即是否对样本进行有放回抽样来构建决策树；true表示是，默认值true。oob_score即是否采用袋外样本来评估模型的好坏，true代表是，默认值false。后两个参数是根据实际情况确定，没有绝对优选，本实施例中采用的是默认值，
bootstrp(true),oob_score(false),所以没有对着两个框架参数进行说明和调优。
[0096]
随机森林决策树参数：max_features即最大特征数，默认值为auto，参数效果max_features值越大，模型学习能学习到的信息越多，越容易过拟合。max_depth即树的最大深度，默认值可以不输入，常用取值：10
‑
100，参数效果为值越大，决策树越复杂，越容易过拟合。min_samples_split即内部节点再划分所需最小样本数，默认值：2；参数效果为值越大，决策树越简单，越不容易过拟合。min_weight_fraction_leaf即叶子节点最少样本数，默认值：1；参数效果为值越大，叶子节点越容易被被剪枝，决策树越简单，越不容易过拟合。min_weight_fraction_leaf即叶子节点最小的样本权重和，默认值0；参数效果为如果有较多样本有缺失值，或者分类树样本的分布类别偏差很大，就会引入改参数。max_leaf_nodes即最大叶子节点数，默认值为none；参数效果为值越小，叶子节点个数越少，可以防止过拟合。min_impurity_split即节点划分最小不纯度，默认值1e
‑
7，参数效果为一般不推荐改动。random_state即随机状态，这个是机器学习的模型参数，因为我们对模型进行训练后，需要用模型来进行预测。所以需要保证训练好的模型和预测模型是同一个模型，模型不随机，所以设置的值为random_state＝0。
[0097]
参数调优，需要根据样本情况，设置的阈值，和交叉验证的效果来进行。本实施例中通过调节了三个参数，其他参数均为默认值，已经优化到设置的阀值。所以没有再调节所有参数。
[0098]
上述的材料介电常数预测方法，通过提取已公开的多种体系的低温共烧陶瓷材料配方的数据集，通过原材料的介电常数、体积百分比、密度三个参数，训练基于随机森林算法的机器学习模型，通过训练后的预测模型对待测的低温共烧陶瓷材料的配方进行介电常数的预测，提高了预测的准确率以及泛化效果，缩短了新材料的开发周期和成本。
[0099]
图7是本发明实施例提供的一种材料介电常数预测装置300的示意性框图。如图7所示，对应于以上材料介电常数预测方法，本发明还提供一种材料介电常数预测装置300。该材料介电常数预测装置300包括用于执行上述材料介电常数预测方法的单元，该装置可以被配置于服务器中。具体地，请参阅图7，该材料介电常数预测装置300包括材料获取单元301以及预测单元302。
[0100]
材料获取单元301，用于获取待预测的低温共烧陶瓷材料的配方，以得到待预测材料；预测单元302，用于将所述待预测材料输入至预测模型内进行介电常数预测，以得到预测结果。
[0101]
在一实施例中，所述材料介电常数预测装置300包括预测模型获取单元。
[0102]
所述预测模型获取单元，用于通过已知介电常数的低温共烧陶瓷材料作为样本集训练随机森林模型，以得到预测模型。
[0103]
在一实施例中，所述预测模型获取单元包括样本集获取子单元、预处理子单元、模型构建子单元、训练子单元、预测子单元以及参数确定子单元。
[0104]
样本集获取子单元，用于获取已知介电常数的低温共烧陶瓷材料，以得到样本集；预处理子单元，用于预处理所述样本集，以得到处理结果；模型构建子单元，用于构建随机森林模型；训练子单元，用于利用所述处理结果对所述随机森林模型进行训练；预测子单元，用于对训练后的随机森林模型进行预测，以得到预测结果；参数确定子单元，用于根据所述预测结果确定随机森林模型的参数，以得到预测模型。
[0105]
在一实施例中，所述预处理子单元包括参数提取模块以及转化模块。
[0106]
参数提取模块，用于对所述样本集提取特征参数；转化模块，用于转化所述特征参数，以得到处理结果。
[0107]
具体地，所述转化模块，用于将所述特征参数中组成所述复合材料的原材料含量转化为体积的百分比，以得到处理结果。
[0108]
具体地，所述训练子单元，用于采用五折交叉检验法利用所述处理结果对所述随机森林模型进行训练。
[0109]
在一实施例中，所述参数确定子单元，用于判断所述预测结果是否小于设定的阈值；若所述预测结果是小于设定的阈值，则将训练所得的随机森林模型的参数作为预测模型的参数，以得到预测模型；若所述预测结果不是小于设定的阈值，则调整所述随机森林模型的参数，并执行所述利用所述处理结果对所述随机森林模型进行训练。
[0110]
需要说明的是，所属领域的技术人员可以清楚地了解到，上述材料介电常数预测装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
[0111]
上述材料介电常数预测装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。
[0112]
请参阅图8，图8是本技术实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
[0113]
参阅图8，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
[0114]
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种材料介电常数预测方法。
[0115]
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
[0116]
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种材料介电常数预测方法。
[0117]
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0118]
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
[0119]
获取待预测的低温共烧陶瓷材料的配方，以得到待预测材料；将所述待预测材料输入至预测模型内进行介电常数预测，以得到预测结果；
[0120]
其中，所述预测模型是通过已知介电常数的低温共烧陶瓷材料作为样本集训练随机森林模型所得的。
[0121]
在一实施例中，处理器502在实现所述预测模型是通过已知介电常数的低温共烧陶瓷材料作为样本集训练随机森林模型所得的步骤时，具体实现如下步骤：
[0122]
获取已知介电常数的低温共烧陶瓷材料，以得到样本集；预处理所述样本集，以得到处理结果；构建随机森林模型；利用所述处理结果对所述随机森林模型进行训练；对训练后的随机森林模型进行预测，以得到预测结果；根据所述预测结果确定随机森林模型的参数，以得到预测模型。
[0123]
在一实施例中，处理器502在实现所述预处理所述样本集，以得到处理结果步骤时，具体实现如下步骤：
[0124]
对所述样本集提取特征参数；转化所述特征参数，以得到处理结果。
[0125]
其中，所述特征参数包括复合材料的介电常数、组成所述复合材料的原材料的介电常数、含量和密度。
[0126]
在一实施例中，处理器502在实现所述转化所述特征参数，以得到处理结果步骤时，具体实现如下步骤：
[0127]
将所述特征参数中组成所述复合材料的原材料含量转化为体积的百分比，以得到处理结果。
[0128]
在一实施例中，处理器502在实现所述利用所述处理结果对所述随机森林模型进行训练步骤时，具体实现如下步骤：
[0129]
采用五折交叉检验法利用所述处理结果对所述随机森林模型进行训练。
[0130]
在一实施例中，处理器502在实现所述根据所述预测结果确定随机森林模型的参数，以得到预测模型步骤时，具体实现如下步骤：
[0131]
判断所述预测结果是否小于设定的阈值；若所述预测结果是小于设定的阈值，则将训练所得的随机森林模型的参数作为预测模型的参数，以得到预测模型；若所述预测结果不是小于设定的阈值，则调整所述随机森林模型的参数，并执行所述利用所述处理结果对所述随机森林模型进行训练。
[0132]
应当理解，在本技术实施例中，处理器502可以是中央处理单元(central processing unit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0133]
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
[0134]
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：
[0135]
获取待预测的低温共烧陶瓷材料的配方，以得到待预测材料；将所述待预测材料输入至预测模型内进行介电常数预测，以得到预测结果；
[0136]
其中，所述预测模型是通过已知介电常数的低温共烧陶瓷材料作为样本集训练随机森林模型所得的。
[0137]
在一实施例中，所述处理器在执行所述计算机程序而实现所述预测模型是通过已
知介电常数的低温共烧陶瓷材料作为样本集训练随机森林模型所得的步骤时，具体实现如下步骤：
[0138]
获取已知介电常数的低温共烧陶瓷材料，以得到样本集；预处理所述样本集，以得到处理结果；构建随机森林模型；利用所述处理结果对所述随机森林模型进行训练；对训练后的随机森林模型进行预测，以得到预测结果；根据所述预测结果确定随机森林模型的参数，以得到预测模型。
[0139]
在一实施例中，所述处理器在执行所述计算机程序而实现所述预处理所述样本集，以得到处理结果步骤时，具体实现如下步骤：
[0140]
对所述样本集提取特征参数；转化所述特征参数，以得到处理结果。
[0141]
其中，所述特征参数包括复合材料的介电常数、组成所述复合材料的原材料的介电常数、含量和密度。
[0142]
在一实施例中，所述处理器在执行所述计算机程序而实现所述转化所述特征参数，以得到处理结果步骤时，具体实现如下步骤：
[0143]
将所述特征参数中组成所述复合材料的原材料含量转化为体积的百分比，以得到处理结果。
[0144]
在一实施例中，所述处理器在执行所述计算机程序而实现所述利用所述处理结果对所述随机森林模型进行训练步骤时，具体实现如下步骤：
[0145]
采用五折交叉检验法利用所述处理结果对所述随机森林模型进行训练。
[0146]
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述预测结果确定随机森林模型的参数，以得到预测模型步骤时，具体实现如下步骤：
[0147]
判断所述预测结果是否小于设定的阈值；若所述预测结果是小于设定的阈值，则将训练所得的随机森林模型的参数作为预测模型的参数，以得到预测模型；若所述预测结果不是小于设定的阈值，则调整所述随机森林模型的参数，并执行所述利用所述处理结果对所述随机森林模型进行训练。
[0148]
所述存储介质可以是u盘、移动硬盘、只读存储器(read
‑
only memory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
[0149]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0150]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
[0151]
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以
是两个或两个以上单元集成在一个单元中。
[0152]
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
[0153]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。