(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111575177.0 (22)申请日 2021.12.21 (65)同一申请的已公布的文献号 申请公布号 CN 114492572 A (43)申请公布日 2022.05.13 (73)专利权人 成都产品质量检验研究院有限责 任公司 地址 610000 四川省成 都市经济技 术开发 区 （龙泉驿区） 兴茂街16号 (72)发明人 赵文隆　周晓群　周良春　马俊辉　 张晓飞　 (74)专利代理 机构 成都睿道专利代理事务所 (普通合伙) 51217 专利代理师 陶红(51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) (56)对比文件 CN 112633296 A,2021.04.09 审查员 孙宁 (54)发明名称 基于机器学习聚类算法的材质结构归类方 法及系统 (57)摘要 本发明提供了基于机器学习聚类算法的材 质结构归类方法及系统， 步骤如下： 建立数据集： 征集多层复合膜的材质结构样 本数据， 并获取样 本数据的离散型维度特征以及连续型维度特征； 特征预处理： 对特征值进行标准化处理； 通过聚 类算法对特征预处理后的数据集进行聚类分析， 然后进行建模， 以模型输出的聚类结果对模型进 行评估， 得到最优聚类算法； 输出基于所述最优 聚类算法得到的模型的聚类结果， 根据该聚类结 果统计材质结构被归入各类别的数据量占该材 质结构总数据量的百分比， 选取占比最大的类别 作为归类结果。 本发明根据人工智能技术来对复 合膜维度特征进行分析， 通过处理样本数据的5 个维度特征， 实现了对各种材质结构的精确归 类。 权利要求书2页 说明书9页 附图3页 CN 114492572 B 2022.10.28 CN 114492572 B 1.基于机器学习聚类算法的材质结构归类方法， 其特 征在于， 包括以下步骤： A、 建立数据集： 征集多层复合膜 的材质结构样本数据， 并获取样本数据的离散型维度 特征以及连续型维度特征， 所述离散型维度特征包括材质结构， 所述连续型维度特征包括 韧性向的拉断力、 刚性向的拉断力、 韧性向的断裂标称应 变以及刚性向的断裂标称应 变； B、 特征预处理： 基于各连续型维度特征的样本数据均值以及样本数据标准差， 分别对 特征值进行 标准化处理； C、 通过聚类算法对特征预处理后的数据集进行聚类分析， 然后进行建模， 以模型输出 的聚类结果的轮廓系数、 CH指标以及运算时间对模型进 行评估， 得到最优聚类算法， 具体包 括： 对比各聚类算法的轮廓系数， 取轮廓系数最接 近1的算法为 最优算法； 若两种或多种算法的轮廓系数相同且均最接近1， 则对比相同轮廓系数算法的CH指标， 取CH指标最大的算法为 最优算法； 若两种或多种算法的CH指标相同且均为最大， 则对比相同CH指标算法的运算时间， 取 运算时间最短的算法为 最优算法； D、 输出基于所述最优聚类算法得到的模型的聚类结果， 根据输出的聚类结果统计材质 结构被归入各类别的数据量占该材质结构总数据量的百分比， 选取每个材质结构中数据量 占比最大的类别作为该 材质结构的归类结果。 2.如权利要求1所述的基于机器学习聚类算法的材质结构归类方法， 其特征在于， 所述 特征预处理步骤具体包括： 采用Z‑Score归一法， 利用样本数据均 值以及样本数据标准差进行标准化处理， 表达式 如下： 上式中， X ′为标准化后的特征值， X为原始特征值， 为该特征的样本数据均值， σ 为该 特征的样本数据标准差 。 3.如权利要求1所述的基于机器学习聚类算法的材质结构归类方法， 其特征在于， 所述 聚类算法包括K ‑means、 均值漂移、 层次聚类、 密度聚类、 BIRCH或谱聚类算法中的两种或两 种以上。 4.如权利要求1所述的基于机器学习聚类算法的材质结构归类方法， 其特征在于， 所述 轮廓系数的表达式如下： 上式中， S(i)表示第i个样本点的轮廓系数， a(i)表示第i个样本点的内聚度， b(i)表示 第i个样本点的分离度； CH指标的表达式如下： 上式中， S(k)表示第k类的C H指标， BK表示类间距离， WK表示类内距离， K表示总类别数。权　利　要　求　书 1/2 页 2 CN 114492572 B 25.如权利要求1至4任一项所述的基于机器学习聚类算法的材质结构归类方法， 其特征 在于， 所述方法还包括： 根据材质结构归类结果， 将四个连续型维度特征两两对应， 形成散 点图验证归类结果各 大类的特 征相关性。 6.基于机器学习聚类算法的材质结构归类系统， 应用到如权利要求1至5任一项所述的 方法， 其特 征在于， 包括： 数据集构建模块， 用于征集多层复合膜的材质结构样本数据， 并获取样本数据的离散 型维度特征以及连续型维度特征， 所述离散型维度特征包括材质结构， 所述连续型维度特 征包括韧性向的拉断力、 刚性向的拉断力、 韧性向的断裂标称应变以及刚性向的断裂标称 应变； 特征预处理模块， 用于基于各连续型维度特征的样本数据均值以及样本数据标准差， 分别对特 征值进行 标准化处理； 聚类模块， 用于通过聚类算法对特征预处理后的数据集进行聚类分析， 然后进行建模， 以模型输出的聚类结果的轮廓系 数、 CH指标以及运算时间对模型进行评估， 得到最优聚类 算法， 具体包括： 对比各聚类算法的轮廓系数， 取轮廓系数最接 近1的算法为 最优算法； 若两种或多种算法的轮廓系数相同且均最接近1， 则对比相同轮廓系数算法的CH指标， 取CH指标最大的算法为 最优算法； 若两种或多种算法的CH指标相同且均为最大， 则对比相同CH指标算法的运算时间， 取 运算时间最短的算法为 最优算法； 输出模块， 用于 输出基于所述 最优聚类算法得到的模型的聚类结果； 统计模块， 用于根据输出的聚类结果统计材质结构被归入各类别的数据量占该材质结 构总数据量的百分比； 归类模块， 用于选取每个材质结构中数据量占比最大的类别作为该材质结构的归类结 果。 7.一种计算机可读存储介质， 所述计算机可读存储介质上存储有计算机程序， 其特征 在于， 所述计算机程序被处 理器执行时实现如权利要求1  至 5 任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114492572 B 3