(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111565995.2 (22)申请日 2021.12.20 (71)申请人 郑州信大 先进技术研究院 地址 450000 河南省郑州市高新 技术产业 开发区莲 花街55号 (72)发明人 朱伟浩　王坤　许丹丹　成彦波　 胡春朝　伍蕾影　 (74)专利代理 机构 郑州德勤知识产权代理有限 公司 41128 代理人 张微微 (51)Int.Cl. G06F 30/27(2020.01) G06V 10/764(2022.01) G06K 9/62(2022.01) G06N 20/10(2019.01)G06T 7/41(2017.01) G06T 17/00(2006.01) G06F 119/04(2020.01) (54)发明名称 基于量子支持向量机的铍青铜合金腐蚀速 率预测方法 (57)摘要 本发明提供一种基于量子支持向量机的铍 青铜合金腐蚀速率预测方法， 基于机器学习算 法， 通过对铍青铜合金腐蚀过程有重要影响的诸 多因素进行数据采集处理及 主成因分析， 利用结 合量子算法的量子最小二乘支持向量机构建盐 雾环境下铍青铜合金腐蚀预测模 型， 并利用该模 型实现对 铍青铜合金腐蚀速率的高效准确预测。 权利要求书7页 说明书12页 附图1页 CN 114330114 A 2022.04.12 CN 114330114 A 1.一种基于量子支持向量机的铍青铜合金腐蚀速率预测方法， 其特 征在于： 步骤1， 获取铍青铜合金腐蚀速率原 始数据集； 针对不同批次的铍青铜合金带材， 选取材料样品进行机械加工、 超声波除油、 化学除 油、 三酸清洗、 纯水漂洗以及烘干密封处理操作， 获取材料质量符合预设标准的铍青铜合金 试片； 利用三维光学表面轮廓仪对铍青铜合金试片进行非接触扫描， 构建三维表面图像模 型， 并基于图像纹理分析对图像模型进行数据 处理与分析， 获取不同铍青铜合金试片的表 面粗糙度； 利用超高清微观显微系统对铍青铜合金试片表面进行复杂微观图像分析， 对材料晶粒 度等指标进行定量测试， 根据截点法获取不同铍青铜合金 试片的晶粒度数据值； 基于三维光学表面轮廓仪和超高清微观显微系统的检测结果， 将处理后的铍青铜合金 试片按粗 糙度、 晶粒度等进行编号并分类保存； 利用中性盐雾试验装置在不同温度、 不同盐度以及不同pH值的环境参数条件下对不同 编号的铍青铜合金试片进 行相同时间的材料腐蚀速率测试， 并记录各个铍青铜合金试片的 试验结果； 以温度、 盐度、 pH值、 表面粗糙度、 微观晶粒度作为模型输入向量， 以腐蚀速率作 为模型 输出向量， 构成铍青铜合金腐蚀速率原 始数据集； 步骤2， 对铍青铜合金腐蚀速率原始数据集依次进行标准化处理和降维处理， 得到新铍 青铜合金腐蚀速率数据集； 将新铍青铜合金腐蚀速率数据集按70/30％的比例分为训练样 本集和测试样本集； 步骤3， 基于非线性映射结合已构建的训练样本集构造最优决策函数， 基于结构风险最 小化原则， 将最优决策函数转换为量子最小二乘支持向量机优化问题， 并在KKT 条件下将量 子最小二乘支持向量机优化问题转化为求解线性方程组， 根据已构建的训练样本集对线性 方程组进行求 解， 得到铍青铜合金腐蚀速率预测模型； 步骤4， 基于步骤3中训练好的铍青铜合金腐蚀速率预测模型和步骤2中的测试样本集 验证铍青铜合金 材料腐蚀速率预测模型的正确性； 步骤5， 利用测试通过的铍青铜合金腐蚀速率预测模型对铍青铜合金进行腐蚀速率预 测。 2.根据权利要求1所述的基于量子支持向量机的铍青铜合金腐蚀速率预测方法， 其特 征在于， 步骤3中， 基于非线性映射结合已构建的训练样本集构造最优 决策函数， 基于结构 风险最小化原则， 将最优决策函数转换为 量子最小二乘 支持向量机优化问题， 包括： 设定训练样本集 为D＝{(x1， y1)， (x2， y2)， ...(xi， yi)， ...， (xm， ym)}， 其中， x1为模型输入向量的第1个元素， 包括第1个训练样本的温度、 盐度、 pH值、 表面粗 糙度、 微观晶粒度； y1为模型输出向量的第1个元素， 包括第1个训练样本的腐蚀速 率； x2为模 型输入向量的第2个元素， 包括第2个训练样本的温度、 盐度、 pH值、 表面粗糙度、 微观晶粒 度； y2为模型输出向量的第2个元素， 包括第2个训练样本的腐蚀速率； xi为模型输入向量的 第i个元素， 包括第i个训练样本的温度、 盐度、 pH值、 表面粗糙度、 微观晶粒度； yi为模型输 出向量的第i个元素， 包括第i个训练样本的腐蚀速率； xm为模型输入向量的第m个元素， 包 括第m个训练样本的温度、 盐度、 pH值、 表面粗糙度、 微观晶粒度； ym为模型输出向量的第m个权　利　要　求　书 1/7 页 2 CN 114330114 A 2元素， 包括第m个训练样本的腐蚀速率； m为训练样本总数量； 通过非线性函数 把模型输入向量映射至特征空间构造最优决策函数： 其中， x＝[x1， x2，…， xm]T， ω为权重向量， 为x的非线性 函数， b为偏置常数； 根据结构风险最小化原则， 建立约束问题： 其中， C为 惩罚系数， ξi为误差变量， ξ ＝[ ξ1， ξ2， ...， ξm]。 3.根据权利要求1所述的基于量子支持向量机的铍青铜合金腐蚀速率预测方法， 其特 征在于， 在KKT 条件下将量子最小二乘支持向量机优化问题转化为求解线性方程组， 根据已 构建的训练样本集对线性方程组进行求 解， 得到铍青铜合金腐蚀速率预测模型包括： 引入拉格朗日乘子， 构建拉格朗日函数 其中， αi≥0为对应xi的拉格朗日乘子， α为拉格朗日向量， 且α＝[α1， α2，…， αm]， 为xi的非线性 函数； 利 用K K T 条 件 对 拉 格 朗 日 函 数 求 偏 导 ， 得 到 四 个 偏 导 数 消去ω， ξi， 令核函数 得到线性方程组F(b， α )T＝(0， y)T， 其中， xj为模型输入向量x的第j个元素， 为xj的非线性函数， y＝[y1， y2，…， ym]， I ＝[1， 1，…， 1]， K为核函数矩阵， 且 基于训练样本集， 采用HHL量子算法对线性方程 组F(b， α )T＝(0， y)T进行求解， 获取最优 值， 实现铍青铜合金腐蚀速率预测模型的构建， 其函数数学表达式为y(x)＝∑i＝1 αik(x， xi)+b； 其中b*为b的最优解， 为α 的最优解。 4.根据权利要求3所述的基于量子支持向量机的铍青铜合金腐蚀速率预测方法， 其特 征在于， 采用SWAP ‑test计算核函数k(xi， xj)：权　利　要　求　书 2/7 页 3 CN 114330114 A 3