[发明专利]一种使用元学习的小样本含能材料性能预测方法、存储设备及终端

权利要求书

1.一种使用元学习的小样本含能材料性能预测方法，其特征在于：包括如下步骤：

S10，确定用于含能性能材料预测的输入特征和输出特征，其中，输入特征包括：晶面、晶面面积占比、温度、密度、结合能和扩散系数，所述输出特征包括：体积模量、剪切模量和杨氏模量；

S20，获取样本数据，并将样本数据按比例随机划分为训练集和查询集，并将训练集划分为多个训练任务，多个训练任务共用查询集；

S30，构建神经网络预测模型；

S40，对训练集的多个训练任务进行元学习，得到神经网络预测模型的最优参数；

S50，通过查询集对神经网络预测模型进行优化和评估。

2.根据权利要求1所述的一种使用元学习的小样本含能材料性能预测方法，其特征在于：所述步骤S30，构建神经网络预测模型中，所述的神经网络预测模型包括：1个输入层、3个隐含层和1个输出层；

其中：3个隐含层分别为：第一隐含层、第二隐含层和第三隐含层；

所述输入层包含6个神经元，分别对应于6个输入特征；所述第一隐含层、第二隐含层、第三隐含层均包含有8个神经元；

所述输出层包含3个神经元，分别对应于3个输出特征。

3.根据权利要求2所述的一种使用元学习的小样本含能材料性能预测方法，其特征在于：将输入特征输入到神经网络预测模型中，经过第一隐含层后，单个神经元的输出为：

其中：w表示权值、w的上标0表示输入层，下标的1～6对应于输入层的6个神经元，b₀表示输入层的偏置；g1()表示激活函数；

经过第二隐含层后，单个神经元的输出为：

其中：w的上标1表示第一隐含层，下标的1～8对应于第一隐含层的8个神经元，b₁表示第一隐含层的偏置；f1()表示激活函数；

经过第三隐含层后，单个神经元的输出为：

其中：w表示权值、w的上标2表示第二隐含层，下标的1～8对应于第二隐含层的8个神经元，b₂表示第二隐含层的偏置；g2()表示激活函数；

经过输出层后，单个神经元的输出为：

其中：w表示权值、w的上标3表示第三隐含层，下标的1～8对应于第三隐含层的8个神经元，b₂表示第二隐含层的偏置；f2()表示激活函数。

4.根据权利要求3所述的一种使用元学习的小样本含能材料性能预测方法，其特征在于：所述激活函数g1()、所述激活函数g2()均为Tanh激活函数，且Tanh激活函数的表达式为：

所述激活函数f1()、激活函数f2()均为Relu激活函数，且Relu激活函数的表达式为：

Relu(x)＝f1(x)＝f2(x)＝max(0,x)。

5.根据权利要求1所述的一种使用元学习的小样本含能材料性能预测方法，其特征在于：所述步骤S40，对训练集的多个训练任务进行元学习，得到神经网络预测模型的最优参数；具体包括：

S401，在训练前，对神经网络预测模型的参数进行随机初始化，得到初始化参数其中，W表神经网络层与层之间连接的权值矩阵、B表示神经网络层与层之间的偏置矩阵；

S402，从训练集中，依次选择训练任务，使用元学习方法进行训练，对初始化参数进行迭代更新，得到最优的初始化参数