关键词： 强化学习   多智能体竞争   隐私保护   数据增强   差分隐私  

摘要： 强化学习已被广泛应用在游戏、自动驾驶、机器人控制等复杂的现实任务中。然而,现有工作多数关注于学习算法的设计,忽视了智能体与模型的安全性、泛化性等问题。例如:在涉及大规模的强化学习场景交互时,欠缺隐私保护的智能体容易泄露它与环境的敏感信息,限制了其在真实场景中的落地应用。此外,由施加隐私保护引起的泛化性问题是强化学习面临的另一个挑战。在面对隐私保护产生的动态变化与噪声扰动时,未提升对环境的泛化能力的智能体很可能被波动影响。因此,本文拟提出基于隐私保护的多智能体竞争强化学习方法,主要解决如下两方面挑战:1)安全性差:如何设计有效可行的隐私保护框架,在不损失智能体性能的基础上,保护其重要信息,从而提高模型的安全性?2)泛化性差:如何在复杂多变的环境下,增强智能体对于动态变化的适应能力,从而提高模型的泛化性?具体而言,本文主要工作如下: (1)提出了面向多智能体竞争环境的安全性差分隐私强化学习框架(Differential Privacy Multi-Agent Actor-Critic Framework,DP-MA2C)。现有的大量工作研究了多智能体竞争任务,以利于将强化学习扩展到复杂现实任务中。然而,多智能体强化学习中的信息博弈对于现实世界的应用至关重要,但由于隐私保护机制与强化学习环境结合复杂,现有的大多数研究很少考虑竞争场景下智能体的隐私保护。针对该问题,本文重新定义了多代理场景下的差分隐私,推导出了竞争环境下的形式化差分隐私,并使用敏感度机制和噪声扰动机制来保护智能体的重要信息。首先,本文给出了所提出的差分隐私的严格隐私保证,从理论上验证了本文提出的模型安全性符合差分隐私要求。其次,通过干扰保护隐私信息,引入细粒度伪全局敏感度机制估计扰动规模,该机制捕捉相邻数据在每一步的查询信息差异。最后,本文结合拉普拉斯机制,将相应的尺度扰动添加到智能体动作策略的输出中,这种干扰可以干扰对手对重要目标信息的推测。实验结果表明:DP-MA2C框架在不影响智能体效用的前提下,融合了适用于竞争环境的隐私保护能力,从而提升了多智能体竞争强化学习模型的稳健性和安全性。 (2)提出了面向多智能体竞争环境的可泛化数据增强强化学习框架(Generalized Multi-Agent Reinforcement Learning Framework,GMARL)。多智能体强化学习中的观测泛化对于强化学习在现实世界的应用扩展至关重要,因为它使智能体能够制定有效的策略处理环境的不确定性与噪声扰动。然而,由于数据增强机制与强化学习环境结合时需要考虑智能体之间的复杂关联性,现有的大多数研究很少考虑竞争场景下智能体的泛化能力。针对该问题,本文推导出了一种考虑环境信息补充的差分增强模型,增强了智能体在竞争中的决策能力。具体而言,首先,本文构建了基于临时相邻观测的查询敏感度机制用于计算补充观测的改变幅度。其次,根据获取的敏感度,基于差分隐私概念并结合拉普拉斯机制输出用于数据补充的增强数据集。最后,本文严格保证了观测补充与原始数据之间的差异平衡,并证明了观测补充提高了智能体的泛化能力。实验结果表明:GMARL框架智能地考虑环境波动,可以防范环境状态不确定变化的不利影响,从而提升了多智能体强化学习模型的鲁棒性和泛化性。

关键词： 联邦学习   数据异构   模型异构   无数据知识蒸馏   收敛性分析  

摘要： 由于信息监管法规、隐私保护等因素限制,使得传统的集中式机器学习训练策略难以实施,“数据孤岛”成为人工智能技术应用落地中亟待解决的难题。在这一现实情况推动下,联邦学习作为一种分布式学习框架,已在工业界和学术界获得广泛关注。它允许多个参与方以交换本地模型参数或者梯度的方式联合训练一个全局模型,而无需共享其本地数据,从而确保了基本的隐私保护。然而,联邦学习实际部署面临诸多挑战,其中各参与方之间的异构性是关键挑战之一。 在实际联邦学习场景下,参与方之间在数据和模型等方面均存在异构性。数据异构表现为参与方之间由于偏好和环境的不同,导致数据分布存在较大差异。从统计学角度,将这种数据分布差异定义为非独立同分布。模型异构则表现为各参与方由于本地硬件的约束,使得所能载荷的模型结构和大小均不同。现有研究表明,数据异构会引发全局模型收敛困难、灾难性遗忘等问题,使其泛化和推理能力不足。模型异构制约了传统的模型参数聚合以及梯度操作,阻碍全局模型的常规训练。可以看出,在数据和模型异构的联邦学习中对全局模型进行有效的训练具有挑战性。因此,本文考虑联邦学习中出现的数据和模型异构,开展面向全局模型有效训练的方法研究。本文主要研究内容和贡献如下: (1)针对联邦学习中数据异构带来的灾难性遗忘问题,提出了一种面向联邦学习的梯度记忆加速方法-GradMA。该方法受持续学习的启发,同时在全局模型和本地模型的训练过程中引入二次规划,以实现对模型更新方向的自适应修正。同时,设计了一个内存缩减策略,以缓解二次规划的计算和存储压力。此外,全面提供了GradMA在平滑非凸环境下的收敛性理论分析。理论结果表明,随着活跃客户端(即参与方)数量的增加,GradMA可以实现线性加速。最后,在多个图像分类任务上进行大量实验,验证了GradMA训练全局模型的优越性。 (2)针对联邦学习中数据和模型异构带来的全局模型训练困难问题,提出了一种面向联邦学习的无数据知识蒸馏方法-DFKD。该方法借助无数据知识蒸馏方法,在不依靠外部公开数据的情况下能够实现全局模型的训练和微调。简单来说,DFKD在服务器上训练一个条件生成器,用于近似客户端上传的本地模型的训练空间,并从保真度、可转移性和多样性方面对其进行系统研究。然后,将训练后的生成器作为模型蒸馏阶段的数据来源,以实现知识从多个结构和大小不同的本地模型向全局模型转移。此外,提出了动态加权和类标签采样策略,以便从多个异构本地模型中准确提取知识。最后,在多个图像分类任务上进行大量实验表明,与现有方法相比,DFKD取得明显的性能增益。 (3)针对传统无数据知识蒸馏框架在联邦学习训练中的性能瓶颈,设计了一种面向联邦学习的增强无数据知识蒸馏方法-DF2RG。在DFKD的基础上深入研究发现,仅训练单个条件生成器存在分布偏移带来的知识转移不稳定的问题。同时,单个条件生成器能够学习的本地模型知识有限。为此,DF2RG一方面在服务器上为单个条件生成器维护一个指数移动平均副本,并与该条件生成器一起进行模型蒸馏,另一方面训练双条件生成器以拓展输出空间对真实数据空间的覆盖。大量实验表明,增强方法DF2RG在数据和模型异构的联邦学习中进一步实现了全局模型的性能提升。

关键词： 滚动轴承   生成对抗   注意力机制   智能故障诊断  

摘要： 随着人工智能与物联网技术广泛应用于工业生产环境中,基于数据的机器学习方法在旋转机械故障预测的研究领域成为了研究重点。为了减少由滚动轴承损坏而产生的经济损失,提高滚动轴承故障诊断的精度至关重要,这关系到机器的安全运行状况。然而,实际工业生产中机械部件的状态都处于良好水平以上,因此收集到的数据也多为正常的样例。针对基于数据驱动的智能轴承健康监测的系统,提升监测水平的关键在于如何有效地区分并捕捉轴承可能存在的缺陷情况,因为它直接影响到样本数据的可信度;同时大多数时候获取自轴承的振动信号中的故障信号具有非平稳,高耦合的特点,这也为诊断工作带来了极大的困扰及挑战。本文将会主要集中探讨关于增加训练集大小、优化算法等方面的内容,目的是为了应对上述提及到的样本不平衡问题以及难以提取特征的问题,具体的探索路径如下几个部分展开讨论: (1)本文提出了一种基于梯度优化Wasserstein距离的生成对抗网络(GradientOptimization Wasserstein Generative Adversarial Networks,GO-WGAN)的方法,旨在解决在滚动轴承故障检测过程中遇到的数据样本失衡难题。首先对基于WGAN网络进行了改进,在网络中引入梯度惩罚机制来减少生成的数据与实际数据间的分布差距;接着,通过一维卷积神经网络(One-Dimensional Convolutional Neural Network,1DCNN)进行特征提取以实现故障识别;最后,在西储大学的公开数据集上进行了实验分析,结果表明:通过优化后的生成对抗网络能够生成具有高度相似的滚动轴承故障样本,既能确保其数据生成的高度拟真性又能在不同工况下为未来的滚动轴承故障诊断研究提供数据支持。 (2)本文提出了一种名为数据直通视觉转换器网络(Data-DirectlyVision Transformer,DD-Vi T)的轴承故障诊断方法。该方法首先对原始振动信号实施切片及定位编码;接着通过优化前向神经网络来替代传统的多层次感应式分类器,使之不仅能够更精准高效地提取故障特征而且可以直接输出识别结果,从而使得Transformer能够执行特征分类并完成故障识别;最后在西储大学的公开数据集和自吸离心泵数据集上进行实验分析,实验结果表明,提出的方法可以在无需事先数据预处理的前提下获得较高的平均诊断准确率,充分体现出本方法的优异性。

关键词： 多智能体通信   人类偏好   强化学习   人机协同  

摘要： 近年来,多智能体系统(Multi-Agent System,MAS)发展越来越快,在战场仿真、游戏AI等多个领域都表现出了超强实力。然而由于多智能体任务环境具有智能体数量庞大、策略复杂、环境动态变化等特点,使得传统的多智能体强化学习方法很难适应多智能体环境复杂多变的特性。因此,本文提出了一种基于人类偏好的多智能体通信策略学习方法,通过整合人类的认知能力和智能体的计算能力,实现决策过程的优势互补,进而得到更加高效的决策结果。具体研究内容包括以下几点: (1)基于人类离线轨迹的多智能体激励通信策略模型 针对多智能体完全合作环境中,智能体之间相互作用的抽象表示难学习、学习时间过长、复杂任务难收敛的问题,提出了一种基于人类离线轨迹的多智能体激励通信策略模型。该模型首先将MAS通信结构建模为带权动态通信拓扑图,并采取部分可观测的Dec-POMDP模型对多智能体进行建模。构建人类异构智能体单时间步采样离线轨迹数据,来获取人类历史经验,并设计了一种高效样本采样方法。引入全局注意力隐式生图机制获得节点的聚合嵌入表示,并利用通信筛选网络筛选有价值的智能体加入通信组。构建优势消息编码器得到通信组中智能体获得的优势消息特征,进一步得到优势消息编码。该模型在多智能体粒子环境的三个实验场景展开实验验证,同最优的基线模型相比,在三个实验场景中的平均奖励(Average Reward,AR)分别提升21.6%、6.6%、24.7%。 (2)基于人类在线反馈奖励的两阶段训练方法 针对复杂任务环境训练耗时指数增加,人类离线轨迹数据领域性强、泛化性较差等问题提出了基于人类在线反馈奖励的两阶段训练方法。首先设计了离线的多智能体强化学习预训练方法,该方法基于特定任务场景模型训练的历史经验数据来进行离线学习,通过借助历史知识可以快速学习得到一个次优的行动策略函数,从而大幅缩短MAS从0开始训练的时间,节约训练成本。设计了在线的基于人类在线反馈奖励的两阶段训练方法训练来对该模型进行微调,在MAS与环境交互的过程中,引入人类的反馈信号对MAS的行动决策进行指导。该模型在MAS全局优化的过程中根据人类意图指导智能体完成任务,及时做出调整和优化。设计了人类偏好反馈重采样方法,借助该方法,智能体每次更新策略时从人类反馈历史经验的缓冲区进行重采样,从而更高效地学习人类反馈奖励,有效缓解了人类偏好奖励的稀疏性,以及学习效率低下的问题。该模型在多智能体粒子环境的三个实验场景展开实验验证,同最优的基线模型相比,在三个实验场景中的平均奖励(Average Reward,AR)分别提升18.6%、10.3%、21.9%。 (3)人机协同围捕系统 针对现实场景对于人机协同围捕系统的应用需求,设计系统总体架构和相关功能模块,并结合Vue、Dubbo、Spring Boot等开发框架,设计实现了人机协同围捕系统。通过调用本文提出的两种模型服务,完成围捕任务决策。

关键词： 管道泄漏孔径   深度学习   小波阈值去噪   生成对抗网络   混合模型  

摘要： 在进行高温高压的试验过程中,处在极端环境下的气体输送管道可能会发生泄漏,此时快速估算泄漏孔径是评估泄漏规模和及时制定修复计划的重要前提。但是现有对于管道泄漏的研究主要集中在泄漏的发生和定位等定性分析上,对于泄漏孔径定量分析相对较少。 本文重点研究高压管道泄漏孔径当量定量分析的方法,围绕着准确估算泄漏孔径当量的目标,设计试验采集泄漏信号声波数据,通过改进的小波阈值去噪方法和傅立叶变换将声波时域数据转换成时频谱图(Time-frequency spectrogram),时频谱图与声音具有唯一对应性且含有丰富的语义信息。对试验时频谱图数据加以处理后以6:2:2的比例划分为训练集、验证集和测试集,作为深度学习模型的输入。 针对数据集获取成本高、采集量小的问题,先运用简单的图像增强技术,以训练集为基石构建了生成网络的目标训练集。根据生成对抗网络的思想,设计了判别器、生成器和训练算法。训练成功的生成器生成数据后补充到训练集中,扩充训练集的多样性,对训练集起到数据增强的作用。 为了更好的提取图像特征,兼顾卷积运算和多头自注意力的优点,使它们互补,设计了双流卷积自注意力模型。此模型同时输入两种数据,一种是数据集中的图像,另一种是将图像灰度处理后的灰度图。灰度图舍弃了图像的色彩通道,专注于图像纹理特征的展示,深度卷积神经网络能很容易提取其中特征。时频谱图含有三通道的色彩信息,不同通道间可能含有互相关的前后语义信息,多头自注意力机制擅长发现输入数据中不同部分之间的相关性。本混合模型包含有灰度图特征提取、时频谱图特征提取和特征融合分类三个部分,与Resnet101、Inception V3及Vision Transformer进行了对比实验,本模型15.7272M的参数量最少且测试准确率0.9967最高。进行了消融实验,验证了所提出模型的有效性以及模型各部分的必要性。

关键词： 小样本学习   图像分类   稠密预测   脑启发人工智能   视觉感知机制   特征正则化   度量学习   模型微调  

摘要： 随着硬件技术的不断发展和大规模数据集的涌现,深度学习技术取得了巨大的突破,并在计算机视觉领域取得了显著的成果。目前,基于深度学习的视觉感知模型依赖于大规模图像数据集进行训练。然而,收集大规模的有标注数据集往往昂贵且耗时,这增加了部署深度学习模型的成本。此外,在某些应用场景下,难以获取到大量有监督信息的图像数据,这时模型只能依靠少量样本进行学习。因此,如何使深度学习模型在给定少量样本的情况下快速学习新的视觉概念,成为当前亟待解决的问题,这一挑战被称作小样本学习。在处理小样本任务时,相较于现有的计算机视觉模型,人脑的视觉感知系统展现出了显著的优势,主要体现在其快速适应能力、稳健性和泛化能力上。然而,当前小样本学习领域的大多数工作都是从机器学习的角度出发对现有方法进行改进,忽略了人脑视觉感知机制带来的重要启发。因此,本文针对人类视觉感知机制启发的小样本学习方法展开研究,旨在缩小当前小样本视觉感知模型与人脑视觉系统的能力差距。 通过对现有的小样本学习方法进行分析,可以总结出其三个关键环节:特征学习、特征匹配以及模型微调。本文围绕这三个关键环节,对现有方法存在的不足进行分析:1)特征学习环节缺乏视觉目标通用的特征分布先验知识;2)特征匹配环节缺乏物体组件关系的对齐能力;3)模型微调环节缺乏对模型参数蕴含的任务相关知识进行挖掘的能力;4)模型微调环节缺乏多层次视觉知识的挖掘能力。为了应对上述挑战,本文从以下几个方面展开研究: (1)针对特征学习环节缺乏视觉目标通用的特征分布先验知识的问题,本文借鉴人脑腹侧通路神经元经验无关性视觉表征机制,提出了一种新型的特征正则化方法,通过对腹侧通路神经元的调谐特性进行计算建模,并基于这些计算模型对小样本模型中间层的特征进行正则化,使得这些中间层具有与腹侧通路神经元类似的响应特性,从而引入视觉目标通用的特征分布先验知识,提升模型特征的泛化能力。本文所提方法是与模型无关的,可以应用于不同主干网络、不同分类层、不同学习范式的小样本模型中。在小样本图像分类以及跨域小样本图像分类任务上的广泛实验充分证明了所提方法的有效性和通用性。 (2)针对特征匹配环节缺乏物体组件关系对齐能力的问题,本文借鉴下颞叶皮层神经元多层次物体结构编码机制,提出了一种物体组件关系解耦模块,对于不同位置的局部物体组件,通过显式编码其与周边物体组件的二元关系、三元关系等不同层级的多元关系,将耦合在图像特征中的各层级物体组件关系进行解耦。基于不同层级物体组件关系进行匹配,能够赋予模型对齐物体组件关系的能力,从而增强特征匹配环节的稳健性。本文所提方法适用于所有基于局部特征的小样本度量学习方法,在不同主干网络、不同稠密相似度计算方法的基于局部特征的小样本度量学习方法上应用物体组件关系解耦模块,均能带来一定程度的性能提升,从而验证了所提方法的有效性。 (3)针对模型微调环节如何对模型参数蕴含的任务相关知识进行挖掘的问题,本文借鉴人脑视觉系统神经路径选择性激活机制,提出了一种新型的小样本微调方法,通过微调混合专家网络的路由器,使模型选择不同的计算路径来实现对测试任务的迁移,而不是采用修改权重的方式实现模型迁移。该方法能够避免破坏训练阶段模型参数获取的知识,还能针对不同测试任务选择关键的模型参数,有效挖掘模型参数蕴含的任务相关知识。基于路由器微调方法,本文提出了一种面向稠密预测的通用小样本学习方法,并在一个包含多种稠密预测任务的具有挑战性的数据集上进行了实验。结果显示,基于路由器微调的方法显著超越了传统的基于模型权重微调的方法,从而验证了本文所提微调方法的有效性。 (4)针对模型微调环节如何充分挖掘多层次视觉知识的问题,本文借鉴人脑视皮层功能分化及跨区连接机制,提出了一种基于多层次视觉知识交互的小样本微调方法。该方法分为两个阶段,首先借助若干个基础任务训练小样本模型的多组任务特定参数,不同的基础任务特定参数能够引导模型提取适用于不同视觉任务的特征,从而实现多层次视觉知识的有效提取。然后在测试阶段,通过微调一种知识交互模块对不同层次的视觉知识进行充分地交互与整合,从而使模型充分利用多层次视觉知识实现高效迁移。在通用小样本学习任务上的实验结果表明,本文提出的基于多层次视觉知识交互的微调方法能够显著提升预训练模型在下游小样本视觉任务的迁移效果。 基于上述思路,本文研究了人类视觉感知机制启发的小样本学习方法。围绕特征学习、特征匹配和模型微调这三个关键环节,本文对现有小样本学习方法的不足进行分析,并借鉴人脑视觉感知机制提出相应的改进方案,从而提升了小样本学习方法的泛化性、稳健性和对新任务的快速适应能力,进一步缩小了小样本视觉感知模型与人脑视觉系统的能力差距,推动了具有强泛化性、高鲁棒性、高适应性的小样本学习方法的发展。

关键词： 多元智能理论   英语词汇教学   学习态度和兴趣   学习方法   词汇成绩  

摘要： 义务教育课程标准(2022版)指出,词汇学习不只是记忆单词的音、形、义,还包括了解一定的构词法知识,更重要的是通过听、说、读、看、写等活动,理解和表达与各种主题相关的信息和观点。但是在教学实践中,传统的词汇教学形式单一;教师注重语法、用法知识的讲解,造成学生记忆单词以机械重复为主,逐渐形成“词汇量石化”和“词义石化”的现象。美国心理学家霍华德·加德纳在1983年提出多元智能理论,指出每个人都拥有至少八种智能,每个人的优势智能和相对弱势智能各不相同,个体差异明显。本研究将多元智能理论应用于初中英语词汇教学中,主要探究以下三个问题:(1)基于多元智能理论的英语词汇教学对学生的词汇学习态度和兴趣有什么影响?(2)基于多元智能理论的英语词汇教学对学生的词汇学习方法有什么影响?(3)基于多元智能理论的英语词汇教学对学生的词汇测试成绩有什么影响? 针对以上问题,本研究以周口市一所初中的八年级两个班81名学生为研究对象,运用问卷调查、测试和访谈法进行为期4个月的教学实验。其中实验班,采用基于多元智能理论的词汇教学法;而对照班,采用传统的词汇教学法。 研究发现:1.多元智能理论指导下英语词汇教学活动,有助于端正学生词汇学习的态度,激发词汇学习的兴趣,进而提高学生的词汇习得水平。2.基于多元智能理论的初中英语词汇教学有助于转变目前学生总是被动、单一、机械式的词汇学习方法,帮助他们使用科学的词汇学习和记忆方法,增强其词汇学习自信心,提高学习效率。3.根据词汇测试成绩对比分析,实验班的词汇前后测成绩差明显高于普通班,且差异显著。 本研究对初中英语词汇教学提出以下建议:第一,教师应以学生为主体,设计能够激发学生热情和自主性的课堂活动,鼓励学生积极参与到课堂互动,调动学习积极性。第二,每个学生都有自己的智能特点和学习风格,教师还应该全方面、针对性地帮助学生改善学习方法,扬长避短,提升其自信心和学习效果。第三,教师要综合考虑所教授的词汇类型和学生的优势智能来设计词汇教学活动,并借助其他智能来优化教学效果。

关键词： 机器学习   钙钛矿材料   可解释性   模型优化   置信函数软分类  

摘要： 作为材料界冉冉新星的钙钛矿材料,其在探测器、发光器件、太阳能电池等领域具有广泛应用,尤其是柔性印刷钙钛矿太阳能电池的出现,为可移动穿戴设备和移动手持设备提供了更多的电源选择空间,然而稳定性和铅毒性依旧是制约其规模化应用的最大阻碍。卤化物双钙钛矿作为有效的解决方案得到越来越多的关注。相较于传统ABX3型钙钛矿材料,无机双卤化物钙钛矿材料在稳定性方面比其他钙钛矿材料具有优异的表现,具有广阔的应用前景。无机双钙钛矿材料的大数据挖掘理念,在提升材料筛选效率、性能预测准确度的同时,也对传统的机器学习方法提出更高的要求。传统的实验试错法、密度泛函理论（DFT）计算等方法存在耗时耗力局限性,在指导钙钛矿材料上的设计上存在明显不足,而以机器学习为代表的数据驱动方法,其更加灵活且成本更低,逐渐成为发现新材料的必由之路,为钙钛矿材料的研发设计提供了新的思路和方法。因此,通过材料大数据和机器学习相结合,一方面找到拥有合适带隙且稳定的无机双钙钛矿卤化物材料,另一方面通过探索影响材料特性的关键特征,可有效促进材料发现与设计进程。 目前基于机器学习的钙钛矿材料研究,主要涉及带隙、热力学稳定性、形成能等预测,以此进行的材料筛选直接依赖于所采用机器学习模型的直接预测结果,然而基于双钙钛矿卤化物小数据样本建立的机器学习模型,对训练集中未包含组分的新钙钛矿材料的预测结果有较大不确定性,同时目前仍缺乏基于具体应用的双钙钛矿卤化物高效筛选与设计方法。鉴于此,本课题依托材料基因工程,运用机器学习模型融合优化策略、多目标优化方法以及置信函数理论等方法,研究了应用于双钙钛矿卤化物性能预测过程中的机器学习模型的模型可解释性问题,模型融合问题以及不确定性钙钛矿材料数据的分类问题,具体包括以下几个方面的研究内容: （1）针对现有机器学习模型的可解释性差问题,提出了融合SHAP和符号回归相结合的机器学习分类模型,直接揭示应用于预测双钙钛矿材料性能的机器学习模型的输入特征与输出性能之间的内在关系。通过该方法,发现了能有效筛选具有热力学稳定性的表达式,解决了基于数据驱动的机器学习模型的可解释性差问题。借助遗传方法（GA）来获取表达式的最优阈值,并通过该表达式应用到Material Project中的双钙钛矿卤化物数据集进行验证,分类准确度可达83.51%。 （2）针对单机器学习模型的预测精度不足问题,通过实验对比不同融合方法对钙钛矿材料带隙回归预测性能,得出Stacking融合方法具有更好的性能,但无法直接确定构成Stacking模型的多个单模型对预测性能是否有积极作用,因此仍需要通过合适的优化方法来获取最优的Stacking融合模型。受启发于递归特征消除（RFE）思想,提出了基于递归模型消除（RME）的Stacking模型优化策略,并结合动态综合评估指标（DSI）来筛选出最优的Stacking融合模型。基于RME的Stacking模型优化策略虽实现简单方便,却容易陷入局部最优,进而提出了基于快速非支配排序遗传算法（NSGA-II）与Stacking相结合的机器学习模型优化策略,其通过同时考虑多个评估指标来获取全局最优模型。实验结果表明,基于NSGA-II优化得到的最优Stacking融合模型,其预测性能比优化之前模型有提升。 （3）针对传统机器学习分类模型的硬分类方法,无法有效处理复杂样本归属的不确定性问题,依托置信函数理论来实现不确定数据的软分类,提出了基于遗传算法优化核密度估计及特征证据融合的加权分类模型。该模型属于无参数分类器,其将不同特征视为支持样本类别归属问题的多元证据,通过遗传算法实现自适应选择核函数和带宽的核密度估计方法来量化证据信息。同时引入Dempster-Shafer证据理论（D-S理论）进行特征证据融合,再根据融合后得到的基本信度分配函数,配以类别数为长度的权重因子向量进行加权。本文所构建的模型分别在多个公共数据集和钙钛矿数据集上进行验证,并与其他模型的分类性能进行对比,进一步证明了该分类方法可有效提升在训练集中存在组分缺失的双钙钛矿材料的软分类精度问题。 本文工作不仅提升了机器学习模型的可解释性,还通过有效策略优化机器学习模型,提升了模型预测性能。此外,还提出了置信函数理论的加权分类模型,用于解决传统机器学习分类模型对于不确定样本进行分类困难问题,并将上述三项主要工作应用到钙钛矿材料领域研究,为有效筛选与分类钙钛矿材料提供了一种新的研究思路与方法。