一种电子能损计算方法、装置及电子设备
文献发布时间:2023-06-19 11:44:10
【技术领域】
本发明涉及材料分析技术领域,尤其涉及一种电子能损计算方法、装置及电子设备。
【背景技术】
具有一定动能的离子射入材料(比如靶材料)后,会与材料中的原子核及核外电子发生持续作用,将自身动能不断传递给材料,直至所有动能全部耗尽或完全穿透材料。这一过程被称之为该离子的能量损失(简称能损)过程。在能损研究相关领域中,离子与材料中的原子核发生碰撞而导致的能损被称之为核能损,与材料中的电子发生相互作用而产生的能损被称之为电子能损。如何定量地计算离子在材料中的能损,长期以来一直是学界研究的重点。
目前计算离子在材料中电子能损的方法,通常是先基于经验与猜测构造一个电子阻止本领(即平均每个靶原子对入射离子在单位距离内能损的平均贡献)计算函数,再通过大量的试验数据对该函数的参数进行优化与改进,最终获得一个可以吻合绝大多数实验数据的拟合函数。目前主流的电子阻止本领计算模型,如公开发表的SRIM程序和MSTAR程序,均采用这一方法。
发明人在实现本发明实施例的过程中,发现相关技术至少存在以下问题:由于拟合函数本身来源于经验与猜想,因此计算模型本身从来源上就存在极大的主观性,难以保证这一模型可以充分体现电子阻止本领的真实特征。
【发明内容】
本发明要解决的技术问题是提供一种电子能损计算方法、装置及电子设备,以解决相关技术在获取电子能损时由于人为因素干扰而造成预测结果真实性低的技术问题。
本发明实施例的一个方面,提供了一种电子能损计算方法,所述方法包括:
获取计算参数,所述计算参数包括入射离子的原子序数、原子质量和动能,以及材料的原子序数和原子质量;
将所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量进行预处理,获得预处理后的参数;
将所述预处理后的参数输入预测数据模型,并输出获得所述材料对所述入射离子的能量损失。
可选地,所述方法还包括:获取所述预测数据模型;
所述获取所述预测数据模型包括:
获取实验数据库;
根据所述实验数据库获取训练样本和测试样本;
将所述训练样本和所述测试样本中的数据进行正则化操作,以获得所述数据对应的正则化参数;
将所述训练样本输入预设算法模型中进行训练,并输出训练结果;
根据所述训练结果,将所述测试样本输入训练好的所述预设算法模型中进行测试,并输出测试结果;
基于所述正则化参数约束所述训练结果和所述测试结果的关系,以使所述训练结果与所述测试结果逼近;
将输出的训练结果最逼近所述测试结果的算法模型作为所述预测数据模型。
可选地,所述根据所述实验数据库获取训练样本和测试样本,包括:
按照预设比例将所述实验数据库中的数据划分为第一训练样本和测试样本;
获取第一入射离子能量和第二入射离子能量对应的电子阻止本领数据,所述电子阻止本领数据作为边界数据集;
将所述边界数据集和所述第一训练样本进行合并作为训练样本。
可选地,所述获取第一入射离子能量和第二入射离子能量对应的电子阻止本领数据,包括:
确定第一入射离子能量和第二入射离子能量;
根据下述公式分别计算所述第一入射离子能量对应的电子阻止本领数据,以及所述第二入射离子能量对应的电子阻止本领数据;
所述公式包括:
其中,Z
可选地,将所述训练样本和所述测试样本中的数据进行正则化操作,以获得所述数据对应的正则化参数,包括:
获取所述训练样本和所述测试样本中每一项参数的平均值和标准差;
根据所述平均值、所述标准差以及下述公式计算所述参数对应的正则化参数;
所述公式包括:
其中,MAPE为所述参数对应的正则化参数,N为所述参数的数据个数,i为第i个参数。
可选地,所述将所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量进行预处理,获得预处理后的参数,包括:
将所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量进行正则化操作,以获得所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量分别对应的平均值和标准差;
根据所述平均值和所述标准差,计算所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量分别对应的正则化参数。
可选地,所述将所述预处理后的参数输入预测数据模型,并输出获得所述材料对所述入射离子的能量损失,包括:
在所述预测数据模型中查找与所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量分别对应的正则化参数最接近的第一正则化参数组;
从所述第一正则化参数组中获得所述电子阻止本领参考值对应的第一正则化参数;
根据所述第一正则化参数,计算所述材料对所述入射离子的能量损失。
本发明实施例的另一个方面,提供了一种电子能损计算装置,所述装置包括:
参数获取模块,用于获取计算参数,所述计算参数包括入射离子的原子序数、原子质量和动能,以及材料的原子序数和原子质量;
参数预处理模块,用于将所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量进行预处理,获得预处理后的参数;
能量损失计算模块,用于将所述预处理后的参数输入预测数据模型,并输出获得所述材料对所述入射离子的能量损失。
本发明实施例的又一个方面,提供了一种电子设备,所述电子设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的电子能损计算方法。
本发明实施例的还一个方面,提供了一种非易失性计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,当所述计算机可执行指令被电子设备执行时,使所述电子设备执行如上所述的电子能损计算方法。
本发明实施例的再一个方面,提供了一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被电子设备执行时,使所述电子设备执行如上所述的电子能损计算方法。
区别于现有技术,本发明实施例提供的电子能损计算方法、装置和电子设备,通过获取入射离子的原子序数、原子质量、动能,以及材料的原子序数和原子质量,再根据获得的这些参数直接获取该材料对该入射离子的能量损失。由于该电子能损计算过程无人为因素干扰,从而提高了所述电子能损计算结果的真实性和准确性。
【附图说明】
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本发明实施例提供的一种电子能损计算方法的流程图;
图2是本发明实施例提供的构建预测数据模型的方法的流程图;
图3是本发明实施例提供的通过深度神经网络构建所述预测数据模型的流程图;
图4是本发明实施例提供的根据预测数据模型获取电子能损的示意图;
图5至图7是本发明实施例提供的验证所述电子能损计算方法可靠性的实验结果对比图;
图8是本发明实施例提供的一种电子能损计算装置的结构示意图;
图9是本发明实施例提供的一种电子设备的硬件结构示意图。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互组合,均在本发明的保护范围之内。另外,虽然在装置示意图中进行了功能模块的划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置示意图中的模块划分,或流程图中的顺序执行所示出或描述的步骤。
本发明实施例提供的电子能损计算方法和装置,主要采用基于深度学习的神经网络技术,通过当前已公开发表的大量实验数据对深度学习网络进行训练,使其可以充分挖掘离子在材料中的电子阻止本领的变化规律,达到可以高精度预测离子在材料中电子阻止本领的目标。其中,电子阻止本领是指单位长度内材料中平均每个原子对入射离子造成的能量损失。该电子能损计算方法和装置具有高预测精度、无人为因素干扰以及扩展性强的优点。
所述电子能损计算方法和装置,可以在任何合适类型、具有运算能力的电子设备中执行,诸如服务器、台式计算机、笔记本电脑等其他电子产品。其中,所述服务器可以是一个物理服务器或者多个物理服务器虚拟而成的一个逻辑服务器。服务器也可以是多个可互联通信的服务器组成的服务器集群,且各个功能模块可分别分布在服务器集群中的各个服务器上。其中,所述电子设备中安装有Linux操作系统,所述Linux操作系统包括但不限于Ubuntu、CentOS、Debian等。所述电子能损计算方法和装置可基于TensorFlow平台建立。
请参阅图1,图1是本发明实施例提供的一种电子能损计算方法的流程图。所述方法包括:
S11、获取计算参数,所述计算参数包括入射离子的原子序数、原子质量和动能,以及材料的原子序数和原子质量。
其中,所述入射离子是具有一定动能的离子,所述材料是待测量离子的电子能量损失的样品的材料。可以将具有特定能量的离子束施加在待测量的样品上,该离子束的入射离子射入所述材料后,会与该样品材料中的原子核以及核外电子发生持续作用,将自身动能不断传递给样品材料,直至该入射离子全部的动能都耗尽或者该入射离子完全穿透该样品材料,该过程即是入射离子的能量损失过程,在这个过程中可以接收具有能量损失的离子。
所述入射离子的原子序数指的是入射离子对应的元素在周期表中的序号,其具体数值用原子核的核电荷数或中性原子的核外电子数来表示。比如,碳的原子序数是6。所述入射离子的原子质量具体可以是相对原子质量,它是一种计算原子质量的方式,所述相对原子质量是元素的各种同位素相对原子质量的加权平均值。所述入射离子的原子质量也可以是原子的实际质量。所述入射离子的动能指的是所述入射离子因运动而具有的能量。
所述材料的原子序数指的是材料的组成元素在周期表中的序号,其具体数值也可以用原子核的核电荷数或中性原子的核外电子数表示。所述材料的原子质量可以是所述材料的相对原子质量,也可以是所述材料的实际原子质量。
执行本方法的电子设备可以首先确定所述入射离子的种类和所述材料的组成元素等信息,然后从元素周期表获取所述入射离子的原子序数、原子质量和动能,以及所述材料的原子序数和原子质量。还可以以其他方式,比如在网络直接查找所述入射离子的原子序数、原子质量和动能,以及材料的原子序数和原子质量。
S12、将所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量进行预处理,获得预处理后的参数。
S13、将所述预处理后的参数输入预测数据模型,并输出获得所述材料对所述入射离子的能量损失。
在本实施例中,基于深度神经网络技术计算所述入射离子在所述材料中的电子能量损失。通过大规模实验数据进行充分挖掘获得深度神经网络预测数据库,在需要计算电子能损时,根据所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量,以及所述深度神经网络预测数据库,通过查询,即可获得所述材料对所述入射离子的能量损失。
其中,所述预处理包括标准化/归一化处理,正则化处理等。在本实施例中,所述将所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量进行预处理,以获得预处理后的参数,包括:
将所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量进行正则化操作,以获得所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量分别对应的平均值和标准差;
根据所述平均值和所述标准差,计算所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量分别对应的正则化参数。
其中,分别获得上述五个参数(即所述入射离子的原子序数、原子质量和动能,以及所述材料的原子序数和原子质量)的正则化参数,所述正则化参数可用平均绝对误差百分比(MAPE)来表示。具体地,可以通过下述公式计算所述正则化参数:
其中,N为所述参数的数据个数,i为第i个参数。
其中,所述将所述预处理后的参数输入预测数据模型,并输出获得所述材料对所述入射离子的能量损失包括:
在所述预测数据模型中查找与所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量分别对应的正则化参数最接近的第一正则化参数组;
从所述第一正则化参数组中获得所述电子阻止本领参考值对应的第一正则化参数;
根据所述第一正则化参数,计算所述材料对所述入射离子的能量损失。
其中,所述第一正则化参数组包括入射离子的原子序数、原子质量和动能分别对应的正则化参数,材料的原子序数和原子质量对应的正则化参数,以及电子阻止本领参考值对应的正则化参数。所述第一正则化参数组对应的入射离子和材料,与待计算能量损失的入射离子和材料相同。所述第一正则化参数组存储于所述预测数据模型中。该预测数据模型中包括大量的正则化参数组,每一正则化参数组中均包括入射离子的原子序数、原子质量和动能分别对应的正则化参数,材料的原子序数和原子质量对应的正则化参数,以及电子阻止本领参考值对应的正则化参数。可以基于机器学习和数据挖掘等技术预先建立所述预测数据模型。
例如,所述电子阻止本领参考值对应的第一正则化参数即:
其中,N为所有的S
在本实施例中,所述预测数据模型具体可以是根据预处理后的数据和预设算法模型确定的一个用于查找电子能损的模型。因此,所述方法还包括:获取所述预测数据模型。
如图2所示,所述获取所述预测数据模型包括:
S21、获取实验数据库;
其中,可以获取现有材料中电子阻止本领实验测量数据,并按照统一的格式、单位及筛选标准进行整理,制备成实验数据库。
比如,可以从发表的论文或公开的数据库中搜集离子在单质材料中的电子阻止本领实验测量数据,并按照上述Z
S22、根据所述实验数据库获取训练样本和测试样本;
其中,可以从实验数据库中随机选取20%的数据作为测试样本,剩下的80%作为训练样本。也可以以其他比例分配所述训练样本和测试样本。
在一些实施例中,还可以构造边界数据集,所述边界数据集可全部加入训练数据集中。具体地,所述根据所述实验数据库获取训练样本和测试样本,包括:按照预设比例将所述实验数据库中的数据划分为第一训练样本和测试样本;获取第一入射离子能量和第二入射离子能量对应的电子阻止本领数据,所述电子阻止本领数据作为边界数据集;将所述边界数据集和所述第一训练样本进行合并作为训练样本。
其中,所述第一入射离子能量和所述第二入射离子能量可分别为1keV/u和10keV/u。所述电子阻止本领数据包括电子阻止本领参考值、入射离子的原子序数、原子质量和动能,以及材料的原子序数和原子质量。
其中,所述动能包括所述第一入射离子能量和所述第二入射离子能量,可以基于下述LSS公式计算出动能为1keV/u和10keV/u的1至80号元素作为入射离子,在1至80号元素组成的单质材料中的电子阻止本领,总共12800条数据,作为边界数据集加入所述训练样本中。其中,所述1至80号元素可以依据元素周期表的顺序确定前80位元素为该1至80号元素,也可以在元素周期表中随机选择80位元素作为该1至80号元素。当然,在实际应用时,可以不仅仅选择80位元素,还可以是更多位或更少位。
其中,所述LSS公式为:
其中,Z
S23、将所述训练样本和所述测试样本中的数据进行正则化操作,以获得所述数据对应的正则化参数;
其中,获得所述正则化参数的过程包括:获取所述训练样本和所述测试样本中每一项参数的平均值和标准差;根据所述平均值、所述标准差以及上述计算正则化参数的公式计算所述参数对应的正则化参数。详细地过程可以参考上述实施例。
S24、将所述训练样本输入预设算法模型中进行训练,并输出训练结果;
S25、根据所述训练结果,将所述测试样本输入训练好的所述预设算法模型中进行测试,并输出测试结果;
S26、基于所述正则化参数约束所述训练结果和所述测试结果的关系,以使所述训练结果与所述测试结果逼近;
S27、将输出的训练结果最逼近所述测试结果的算法模型作为所述预测数据模型。
在本实施例中,可以选择一个5层的神经网络结构作为所述预设算法模型,每层的网格数分别为16×32×64×32×16,训练步数设置为30000步,batch容量设置为10240。并将所述正则化参数(即所述MAPE)作为评价指标构建损失函数。
训练过程可采用线性整流函数(Rectified Linear Unit,ReLU)作为激活函数,并使用自适应矩阵估计(adaptive momentestimation,Adam)作为优化器对神经网络进行优化迭代。
在训练过程中,还可以调整训练参数,如:训练步数、网格密度、网络层数、训练样本和测试样本的大小等,使神经网络达到最佳预测效果。
上述通过深度神经网络构建所述预测数据模型的详细流程可参考图3。其中,通过引入边界数据集,增强了预测模型在低能区间内的计算准确性和可靠性,从而进一步提高了离子射程的计算准确性。另外,确定了具有最佳预测效果的深度神经网络参数,包括网络层数、网格密度、损失函数与激活函数的形式、以及优化器选择等,通过以上设置可以使神经网络更快速地达到收敛,显著节省训练时间。需要说明的是,所述预设算法模型包括但不限于神经网络模型。
上述预测数据模型是通过训练好的网络导出电子阻止本领深度学习数据库,如图4所示,当需要计算不同条件下离子的电子能损时,可直接在所述预测数据模型中查询获得所述离子的电子能损。
本发明实施例提供的电子能损计算方法,通过获取实验数据,对该实验数据进行预处理,包括正则化处理,补充边界数据等,再基于神经网络模型训练处理好的数据,获得预测数据模型,通过该预测数据模型,可以给定任意一个输入值,就可以计算出相应的电子能损结果。相比于现有技术,本方法降低了预测模型的主观性,提高了预测模型的预测精度,能够获得更高精度的电子能损预测结果。
下面通过具体的实验验证本实施例提供的电子能损计算方法。例如,对原子序数为1-80范围内的所有离子,在原子序数为1-80范围内的单质材料中的电子阻止本领进行计算。图5中展示了部分结果,其中,用深度神经网络技术得到的电子阻止本领预测模型(DL-ESP),对:(a)钛离子在铝材料中,(b)氪离子在铝材料中,(c)氢离子在铁材料中,(d)氢离子在锌材料中的电子阻止本领进行预测,并将预测得到的S
通过图5可以看出,DL-ESP的预测结果在大部分情况下与SRIM的计算结果十分接近,且二者均可以与实验测量结果保持极高的一致性。因此通过本方法获得的电子阻止本领预测模型,其可靠性与传统的计算模型处于同等水平。但针对少数特殊情况,如金等部分重离子在轻材料中的电子阻止本领,SRIM等传统模型的计算结果则会展现出明显的不合理性,而DL-ESP的计算结果则可以很好地克服这一问题,如图6所示,用深度神经网络技术得到的电子阻止本领预测模型(DL-ESP),对:金离子在铝材料中,及铝离子在金材料中的电子阻止本领进行预测,并将预测得到的S
通过图6可以发现,SRIM计算得到的金(Au)离子的电子阻止本领计算结果,在低能区(能量处于1~10keV/u范围内)明显高于DL-ESP的预测结果,也显著高于铝(Al)离子在金中的电子阻止本领。目前,金离子在低能区范围内的电子阻止本领缺乏足够的实验数据,因此很难直接证明DL-ESP和SRIM哪个的预测结果更加准确。但是根据P.Sigmund提出的电子阻止本领倒易假说:在低能区范围内金离子在铝中的电子阻止本领应当与铝离子在金中的保持接近的水平。而这一猜想也是目前学界普遍认可并接受的一个理论,而SRIM的预测结果显然严重偏离了这一理论,因此其计算结果明显不如DL-ESP的可靠。
在一些实施例中,还可以通过另外一种途径对本实施例提供的方法的可靠性进行佐证。即,根据Lindhard公式,我们可以通过电子阻止本领计算离子在材料中的投影射程R
式中N表示材料中的原子数密度,S
通过图7可以发现,DL-ESP的预测结果在离子投影射程的计算方面比SRIM具有明显优势:通过DL-ESP计算得到的金(Au)离子在碳化硅(SiC)材料中的投影射程与试验测量结果之间的相对误差低至0.6%,显著优于SRIM的计算结果(相对误差约为20%~40%)。对于铯(Cs)离子在二氧化硅(SiO2)材料中的投影射程,DL-ESP的计算结果与试验测量值间的相对误差也小于1.0%,同样优于SRIM。由Lindhard公式的特征可以发现,投影射程的计算准确性显著依赖于S
在上述投影射程的计算过程中,还需要借助Bragg公式,通过离子在单质材料中的电子阻止本领推算出化合物中的电子阻止本领,方法如下式所示:
S
式中AB表示某种化合物,a和b分别表示该化合物中A与B元素所占的原子比例,显然此处a+b=1,且ab>0。同样的,Bragg公式也被广泛认为是计算化合物中电子阻止本领的有效方式之一。此外,通过Lindhard公式计算离子在化合物中的电子能损,M
例如,以图7所示案例为例,碳化硅和二氧化硅分别对应的平均原子质量M
M
在本实施例中,可以进一步提高离子在材料中射程的计算准确度,对离子束加工工艺等相关工程应用具有重要实际意义。
请参阅图8,图8是本发明实施例提供的一种电子能损计算装置的结构示意图。所述电子能损计算装置30包括:参数获取模块31、参数预处理模块32和能量损失计算模块33。所述参数获取模块31用于获取计算参数,所述计算参数包括入射离子的原子序数、原子质量和动能,以及材料的原子序数和原子质量;所述参数预处理模块32用于将所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量进行预处理,获得预处理后的参数;所述能量损失计算模块33用于将所述预处理后的参数输入预测数据模型,并输出获得所述材料对所述入射离子的能量损失。
其中,所述参数预处理模块32具体用于:
将所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量进行正则化操作,以获得所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量分别对应的平均值和标准差;
根据所述平均值和所述标准差,计算所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量分别对应的正则化参数。
其中,所述能量损失计算模块33具体用于:
在所述预测数据模型中查找与所述入射离子的所述原子序数、所述原子质量和所述动能,以及所述材料的所述原子序数和所述原子质量分别对应的正则化参数最接近的第一正则化参数组;
从所述第一正则化参数组中获得所述电子阻止本领参考值对应的第一正则化参数;
根据所述第一正则化参数,计算所述材料对所述入射离子的能量损失。
同样请参阅图8,所述装置30还包括模型获取模块34。所述模型获取模块34用于获取所述预测数据模型。具体地,所述模型获取模块34用于:
获取实验数据库;
根据所述实验数据库获取训练样本和测试样本;
将所述训练样本和所述测试样本中的数据进行正则化操作,以获得所述数据对应的正则化参数;
将所述训练样本输入预设算法模型中进行训练,并输出训练结果;
根据所述训练结果,将所述测试样本输入训练好的所述预设算法模型中进行测试,并输出测试结果;
基于所述正则化参数约束所述训练结果和所述测试结果的关系,以使所述训练结果与所述测试结果逼近;
将输出的训练结果最逼近所述测试结果的算法模型作为所述预测数据模型。
其中,所述根据所述实验数据库获取训练样本和测试样本,包括:
按照预设比例将所述实验数据库中的数据划分为第一训练样本和测试样本;
获取第一入射离子能量和第二入射离子能量对应的电子阻止本领数据,所述电子阻止本领数据作为边界数据集;
将所述边界数据集和所述第一训练样本进行合并作为训练样本。
其中,所述获取第一入射离子能量和第二入射离子能量对应的电子阻止本领数据,包括:
确定第一入射离子能量和第二入射离子能量;
根据下述公式分别计算所述第一入射离子能量对应的电子阻止本领数据,以及所述第二入射离子能量对应的电子阻止本领数据;
所述公式包括:
其中,Z
其中,将所述训练样本和所述测试样本中的数据进行正则化操作,以获得所述数据对应的正则化参数,包括:
获取所述训练样本和所述测试样本中每一项参数的平均值和标准差;
根据所述平均值、所述标准差以及下述公式计算所述参数对应的正则化参数;
所述公式包括:
其中,MAPE为所述参数对应的正则化参数,N为所述参数的数据个数,i为第i个参数。
需要说明的是,上述电子能损计算装置可执行本发明实施例所提供的电子能损计算方法,具备执行方法相应的功能模块和有益效果。未在电子能损计算装置实施例中详尽描述的技术细节,可参见本发明实施例所提供的电子能损计算方法。
请参阅图9,图9是本发明实施例提供的一种电子设备的硬件结构示意图,所述电子设备可以用于执行如上所述的电子能损计算方法。如图9所示,该电子设备40包括:
一个或多个处理器41以及存储器42,图9中以一个处理器41为例。
处理器41和存储器42可以通过总线或者其他方式连接,图9中以通过总线连接为例。
在一些实施例中,所述电子设备40还包括输入设备43和输出设备44,所述输入设备43和所述输出设备44可以通过总线或者其他方式与所述处理器连接。所述输入设备43包括但不限于鼠标、键盘、手写笔,所述输出设备44包括但不限于显示屏幕。
存储器42作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的电子能损计算方法对应的程序指令/模块(例如,附图8所示的模块)。处理器41通过运行存储在存储器42中的非易失性软件程序、指令以及模块,从而执行电子能损计算装置的各种功能应用以及数据处理,即实现上述方法实施例的电子能损计算方法。
存储器42可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子能损计算装置的使用所创建的数据等。此外,存储器42可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器42可选包括相对于处理器41远程设置的存储器,这些远程存储器可以通过网络连接至电子能损计算装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器42中,当被所述一个或者多个处理器41执行时,执行上述任意方法实施例中的电子能损计算方法,例如,执行以上描述的图1,图2中的方法步骤,实现图8中的模块的功能。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
本发明实施例提供了一种非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被电子设备执行上述任意方法实施例中的电子能损计算方法,例如,执行以上描述的图1,图2中的方法步骤,实现图8中的模块的功能。
本发明实施例提供了一种计算机程序产品,包括存储在非易失性计算机可读存储介质上的计算程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述任意方法实施例中的电子能损计算方法,例如,执行以上描述的图1,图2中的方法步骤,实现图8中的模块的功能。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件来实现。本领域普通技术人员可以理解实现上述实施例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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明,它们没有在细节中提供;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
- 一种电子能损计算方法、装置及电子设备
- 一种计算线路电损的方法、装置、可读介质及电子设备