买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利基于机器学习的稀土超磁致伸缩材料筛选方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115527638B 。

龙图腾网通过国家知识产权局官网在2025-08-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211228194.1，技术领域涉及：G16C60/00；该发明授权基于机器学习的稀土超磁致伸缩材料筛选方法是由张正明;龚健虎;王敦辉;胡鹏强;张成亮设计研发完成，并于2022-10-09向国家知识产权局提交的专利申请。

本基于机器学习的稀土超磁致伸缩材料筛选方法在说明书摘要公布了：本发明公开了一种基于机器学习的稀土超磁致伸缩材料筛选方法，包括：获取磁性材料饱和磁致伸缩系数，建立多组元材料成分与对应饱和磁致伸缩系数的数据集，并确定材料的特征属性和目标属性；同时将数据集划分为训练集和测试集，依据训练集构建机器学习模型，并通过测试集进行验证，最终得到可用于预测材料饱和磁致伸缩系数的最优模型；在多组元磁致伸缩材料中预先设计各元素的成分比例，建立虚拟磁致伸缩材料库，基于优化后的机器学习模型预测虚拟材料库中各成分下的饱和磁致伸缩系数，并筛选出高性能稀土磁致伸缩材料的成分区域及边界。本发明为稀土超磁致伸缩材料的成分设计提供了必要的解决方案。

本发明授权基于机器学习的稀土超磁致伸缩材料筛选方法在权利要求书中公布了：1.一种基于机器学习的稀土超磁致伸缩材料筛选方法，其特征在于：包括： 步骤1：建立关于多组元Laves相RM2基稀土磁致伸缩材料成分与对应饱和磁致伸缩系数λs的数据集； 步骤2：将数据集划分为训练集和测试集，依据训练集构建机器学习模型，并通过测试集进行验证，最终得到可用于预测材料磁致伸缩系数的最优模型； 步骤3：在多组元Laves相RM2基稀土磁致伸缩材料中预先设计各元素的成分比例，建立虚拟稀土磁致伸缩材料库，基于优化后的机器学习模型预测虚拟材料库中材料的饱和磁致伸缩系数，确定高磁致伸缩系数材料成分区域及其边界； 所述步骤2中，具体分为以下几个步骤： 步骤2-1：将所建立的数据集划分为训练集和测试集两部分，首先选取数据集中80％的数据作为训练集，用于机器学习模型的构建与训练；之后将数据集中剩余20％的数据作为测试集，对所构建的机器学习模型进行评估； 步骤2-2：确定模型性能评估指标，即利用决定系数R2和平均绝对误差MAE来评估模型的准确性；其中决定系数R2为： SST＝SSE+SSR 式中，yi代表数据的真实值，代表真实值的平均值，fi代表模型的预测值，SST为总离差平方和，SSE为残差平方和，SSR为回归平方和；平均绝对误差MAE为： 步骤2-3：使用训练集对所建模型进行训练学习，并通过网格划分法和五折交叉验证法对机器学习模型进行超参数调节，利用决定系数R2和平均绝对误差MAE来评估不同超参数下的模型性能； 步骤2-4：综合考虑不同超参数下模型的决定系数R2和平均绝对误差MAE，选出其中最优的模型超参数； 步骤2-5：通过测试集数据对步骤2-4选出的模型进行评估，对比该模型在训练集和测试集上的表现情况； 步骤2-6：制订不同表现情况下的解决方案，首先明确决策树数目、单个决策树深度、叶节点最小样本数和学习率等超参数，如果模型表现为过拟合，则需要调节超参数的值，特别是减少决策树数目和深度，来实现模型拟合程度的降低，从而提升模型的泛化能力；如果模型表现为欠拟合，则通过增加决策树数目和深度，来提高模型的拟合程度； 步骤2-7：观察模型在训练集和测试集上的表现情况，并应用步骤2-6中制订的解决方案来进一步调节超参数，使模型不仅具有较高的准确性，还能够保证模型具有较好的泛化能力，最终得到可用于预测材料饱和磁致伸缩系数的最优机器学习模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310000 浙江省杭州市下沙高教园区；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。