一种声子晶体时变可靠性测试方法、计算设备及存储介质

1.本发明涉及声子晶体领域，特别涉及一种声子晶体时变可靠性测试方法、计算设备及存储介质。


背景技术：

2.声子晶体一般是指具有不同密度和弹性参数的材料按周期性结构复合在一起，具有弹性(声)波带隙的功能材料。然而声子晶体的自身结构和材料属性会导致声子晶体呈现时变不确定性。时变不确定是指声子晶体的一个或多个参数会随时间发生变化，导致声子晶体的性能表现存在波动。因此，对声子晶体进行时变可靠性测试就变得尤为重要。
3.现有技术中对声子晶体进行测试时，往往通过充足的样本数据设置声子晶体的特征参数，再根据设置的特征参数构建声子晶体的测试模型，对声子晶体的性能表现进行测试。然而在实际工作和研究中，往往声子晶体的样本数据难以获得，不能够构建准确的特征参数，导致测试结果不够准确。
4.为此，需要一种新的声子晶体时变可靠性测试方法。


技术实现要素：

5.为此，本发明提供一种声子晶体时变可靠性测试方法，以力图解决或者至少缓解上面存在的问题。
6.根据本发明的一个方面，提供一种声子晶体时变可靠性测试方法，适于在计算设备中执行，方法包括步骤：根据声子晶体的参数确定样本空间；根据样本空间和声子晶体的失效条件构建可靠性测试模型；根据可靠性测试模型构建神经网络模型；根据神经网络模型和样本空间预测声子晶体在服役时间内的失效率。
7.可选地，在根据本发明的方法中，声子晶体的参数包括：随机变量参数、随机过程参数、区间变量参数和区间过程参数；根据样本空间和声子晶体的失效条件构建可靠性测试模型包括步骤：将晶体参数中的随机过程参数进行转化得到等效随机变量参数；将晶体参数中的区间过程参数进行转化得到等效区间变量参数；将声子晶体服役时间的时间参数转化为等效分布时间参数；根据随机变量参数、等效随机变量参数、区间变量参数、等效区间变量参数、等效分布时间参数和失效条件构建可靠性测试模型。
8.可选地，在根据本发明的方法中，失效条件包括：在服役时间内，当声子晶体的带隙下限大于预设频率时，声子晶体失效。
9.可选地，在根据本发明的方法中，根据可靠性测试模型构建神经网络模型包括步骤：根据样本点集确定训练集；根据可靠性测试模型和训练集训练神经网络模型。
10.可选地，在根据本发明的方法中,根据样本点集确定训练集包括步骤：将样本空间的样本点进行转化，得到转化后的样本点集；根据转化后的样本点集确定训练集。
11.可选地，在根据本发明的方法中，根据转化后的样本点集确定训练集包括步骤：对转化后的样本点集中每个样本点确定其样本权重；根据样本权重确定每个样本点的特征
值；根据特征值从转化后的样本点集中确定训练集。
12.可选地，在根据本发明的方法中，将样本空间的样本点进行转化包括步骤：将样本空间中每个样本点进行等效不确定转化得到与时间无关的样本点集。
13.可选地，在根据本发明的方法中，还包括步骤：判断神经网络模型计算的瞬时可靠性的失效率是否满足停止规则；若不满足停止规则，则设置迭代次数，并根据迭代次数确定增量样本点；根据增量样本点和样本集确定新的样本集；根据新的样本集训练新的神经网络模型，直到训练得到满足停止规则的神经网络模型。
14.可选地，在根据本发明的方法中，根据迭代次数确定增量样本点包括步骤：根据训练集确定候选点集，并根据候选点集确定第一点集；通过权重采样从第一点集中确定第二点集；根据主动学习函数从第二点集中确定增量样本点。
15.可选地，在根据本发明的方法中，根据主动学习函数从第二点集中确定增量样本点包括步骤：确定第二点集中每个样本点的不确定性；确定第二点集中每个样本点与训练集的欧式距离；将每个样本点的不确定性和欧式距离输入主动学习函数，得到每个样本点的函数值；将第二点集中函数值最小的样本点作为增量样本点。
16.可选地，在根据本发明的方法中，确定第二点集中每个样本点的不确定性包括步骤：根据上一次生成的样本集生成多个训练补集；根据每个训练补集生成补充神经网络模型；根据补充神经网络模型和上一次生成的神经网络模型确定每个样本点的不确定性。
17.可选地，在根据本发明的方法中，根据神经网络模型和样本空间预测声子晶体在服役时间内的失效率包括步骤：根据神经网络模型和样本空间中的样本点计算得到声子晶体的混合时变可靠性的失效率。
18.可选地，在根据本发明的方法中，还包括步骤：根据声子晶体的混合时变可靠性的失效率计算失效率的变异系数；确定变异系数是否大于预设系数阈值；若变异系数不大于预设系数阈值，则向样本空间中添加新的样本点，得到新的样本空间；根据新的样本空间训练神经网络模型，直到神经网络模型的变异系数大于预设最小化阈值。
19.根据本发明的另一个方面，提供了一种计算设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行根据本发明的声子晶体时变可靠性测试方法。
20.根据本发明的再一个方面，提供了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，该指令当由计算设备执行时，使得计算设备执行根据本发明的声子晶体时变可靠性测试方法。
21.本发明公开了一种声子晶体时变可靠性测试方法，适于在计算设备中执行。方法包括步骤：根据声子晶体的参数确定样本空间；根据样本空间和声子晶体的失效条件构建可靠性测试模型；根据可靠性测试模型构建神经网络模型；根据神经网络模型和样本空间预测声子晶体在服役时间内的失效率。本发明通过构建声子晶体的可靠性测试模型，在通过可靠性测试模型构建神经网络模型，能够预测声子晶体在服役时间内的失效率，避免了由于缺少声子晶体的参数，而无法判断声子晶体的性能，实现了对声子晶体在服役时间内性能表现的确定。
附图说明
22.为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本发明公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
23.图1示出了根据本发明一个示范性实施例的声子晶体时变可靠性测试方法100的示意图；
24.图2示出了根据本发明一个示范性实施例的计算设备200的结构框图；
25.图3a示出了根据本发明一个示范性实施例的声波在声子晶体中传播的示意图；
26.图3b示出了根据本发明一个示范性实施例的声子晶体的结构示意图；
27.图4a～图4d示出了根据本发明一个示范性实施例的等效不确定转化的示意图；
28.图5示出了根据本发明的一个示范性实施例的声子晶体时变可靠性分析的示意图。
具体实施方式
29.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。相同的附图标记通常指代相同的部件或元素。
30.本发明提出了一种声子晶体时变可靠性测试方法。声子晶体时变可靠性测试方法适于在计算设备中执行。图2示出了根据本发明一个示范性实施例的计算设备200的结构框图。
31.在基本配置中，计算设备200包括至少一个处理单元220和系统存储器210。根据一个方面，取决于计算设备的配置和类型，系统存储器210包括但不限于易失性存储(例如，随机存取存储器)、非易失性存储(例如，只读存储器)、闪速存储器、或者这样的存储器的任何组合。根据一个方面，系统存储器210包括操作系统211。
32.根据一个方面，操作系统211，例如，适合于控制计算设备200的操作。此外，示例结合图形库、其他操作系统、或任何其他应用程序而被实践，并且不限于任何特定的应用或系统。在图2中通过在虚线215内的那些组件示出了该基本配置。根据一个方面，计算设备200具有额外的特征或功能。例如，根据一个方面，计算设备200包括额外的数据存储设备(可移动的和/或不可移动的)，例如磁盘、光盘、或者磁带。
33.如在上文中所陈述的，根据一个方面，在系统存储器210中存储程序模块212。根据一个方面，程序模块212可包括一个或多个应用程序，本发明不限制应用程序的类型，例如应用还包括：电子邮件和联系人应用程序、文字处理应用程序、电子表格应用程序、数据库应用程序、幻灯片展示应用程序、绘画或计算机辅助应用程序、网络浏览器应用程序等。
34.根据一个方面，可以在包括分立电子元件的电路、包含逻辑门的封装或集成的电子芯片、利用微处理器的电路、或者在包含电子元件或微处理器的单个芯片上实践示例。例如，可以经由其中在图2中所示出的每个或许多组件可以集成在单个集成电路上的片上系
统(soc)来实践示例。根据一个方面，这样的soc设备可以包括一个或多个处理单元、图形单元、通信单元、系统虚拟化单元、以及各种应用功能，其全部作为单个集成电路而被集成(或“烧”)到芯片基底上。当经由soc进行操作时，可以经由在单个集成电路(芯片)上与计算设备200的其他组件集成的专用逻辑来对在本文中所描述的功能进行操作。还可以使用能够执行逻辑操作(例如and、or和not)的其他技术来实践本发明的实施例，所述其他技术包括但不限于机械、光学、流体、和量子技术。另外，可以在通用计算机内或在任何其他任何电路或系统中实践本发明的实施例。
35.根据一个方面，计算设备200还可以具有一个或多个输入设备231，例如键盘、鼠标、笔、语音输入设备、触摸输入设备等。还可以包括输出设备232，例如显示器、扬声器、打印机等。前述设备是示例并且也可以使用其他设备。计算设备200可以包括允许与其他计算设备200进行通信的一个或多个通信连接233。合适的通信连接233的示例包括但不限于：rf发射机、接收机和/或收发机电路；通用串行总线(usb)、并行和/或串行端口。
36.本发明实施方式还提供一种非暂态可读存储介质，存储有指令，所述指令用于使所述计算设备执行根据本发明实施方式的方法。本实施例的可读介质包括永久性和非永久性、可移动和非可移动介质，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。可读存储介质的例子包括但不限于：相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非暂态可读存储介质。
37.根据一个方面，通信介质是由计算机可读指令、数据结构、程序模块、或者经调制的数据信号(例如，载波或其他传输机制)中的其他数据实施的，并且包括任何信息传递介质。根据一个方面，术语“经调制的数据信号”描述了具有一个或多个特征集或者以将信息编码在信号中的方式改变的信号。作为示例而非限制，通信介质包括诸如有线网络或直接有线连接之类的有线介质，以及诸如声学、射频(rf)、红外线的、以及其他无线介质之类的无线介质。
38.需要说明的是，尽管上述计算设备仅示出了处理单元220、系统存储器210、输入设备231、输出设备232、以及通信连接233，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
39.接着，根据图1对本发明的声子晶体时变可靠性测试方法的具体执行过程进行详细说明。图1示出了根据本发明一个示范性实施例的声子晶体时变可靠性测试方法100的示意图。如图1所示，首先执行步骤s110，根据声子晶体的参数确定样本空间。
40.在声子晶体中，与弹性波传播相关的密度和弹性参数不同的材料按照类似天然晶体的结构周期性复合在一起，分布在格点上相互不联通的材料称为散射体，连通为一体的背景介质材料称为基体。所谓弹性波禁带，是指一定频率范围内不存在任何弹性波本征模式，即处于该频率范围的弹性波被禁止传播。
41.根据散射体形状及其在基体中周期分布的形式，声子晶体可分为一维(层状)、二维和三维声子晶体三种。根据晶格的周期性，常见的二维声子晶体又分为：正方晶格、三角
晶格、六角晶格等。根据本发明的一个实施例，本发明进行时变可靠性测试的声子晶体具体为二维声子晶体。
42.图3a示出了根据本发明一个示范性实施例的声波在声子晶体中传播的示意图。
43.声子晶体的自身结构和材料属性具有多种参数，这些参数根据连续性以及时间的相关性可划分为随机变量参数、随机过程参数、区间变量参数和区间过程参数。
44.根据本发明的一个实施例，随机变量参数包括散射体和基体的杨氏模量和密度；随机过程参数包括基体的边长；区间变量参数包括散射体和基体的泊松比；区间过程参数包括散射体的直径。
45.图3b示出了根据本发明一个示范性实施例的声子晶体的结构示意图。如图3b所示，声子晶体中包括散射体和基体；其中，散射体的直径为rc，基体的变长为a。
46.根据声子晶体的各参数的取值范围能够确定声子晶体的参数进行取值的样本空间。样本空间中包括多个样本点。每个样本点包括多个参数，每个参数的均落在声子晶体对应参数的取值范围。样本空间中每一个样本点均代表声子晶体的一种可能的参数取值情况。
47.根据本发明的一个实施例，为了声子晶体的参数取值情况进行模拟，可采用蒙特卡洛模拟，将样本点随机分布在样本空间中。此时，样本空间中每个样本点为蒙特卡洛样本点。样本空间中样本点的个数为n
mc
个，由n
mc
个样本点构成的样本点的集合为样本点集s
mcs
。
48.随后，执行步骤s120，根据样本空间和所述声子晶体的失效条件构建可靠性测试模型。
49.根据本发明的一个实施例，为了探究声子晶体的可靠性，需要构建一种可靠性测试模型对声子晶体进行测试。可靠性测试模型基本规则为，当声子晶体在服役时间内，弹性波禁带的带隙下限小于预设频率时，则认为声子晶体结构失效。当声子晶体的弹性波禁带的带隙下限小于预设频率时，声子晶体对弹性波的阻碍性能不符合预期，声子晶体失效。因此，声子晶体的失效条件为：在服役时间内，当声子晶体的带隙下限大于预设频率时，声子晶体失效。根据声子晶体的失效条件可建立声子晶体的可靠性测试模型。
50.根据本发明的一个实施例，声子晶体的带隙下限可通过有限单元法计算得到。带隙下限由随机变量参数、随机过程参数、区间变量参数和区间过程参数计算得到，其具体计算结果为：其中，x＝(x1，x2，...xm)，表示由随机变量参数组成的m维向量；y＝(y1，y2，...yn)，表示由区间变量参数组成的n维向量；s(t)＝[s1(t)，s2(t)，...sk(t)]，表示由k个随机过程参数组成的向量；i(t)＝[i1(t)，i2(t)，...i
l
(t)]，表示由l个区间过程参数组成的向量；t为声子晶体预设的服役时间。
[0051]
预设频率f
th
可根据需要进行设置。本发明对预设频率f
th
的具体取值不做限制。根据本发明的一个实施例，预设频率f
th
可设置为268。
[0052]
根据声子晶体的失效条件，计算声子晶体是否失效的极限状态方程可表示为：
[0053][0054]
其中，g(x，y，s(t)，i(t)，t)表示预设频率与声子晶体的带隙下限的插值，当g(x，y，s(t)，i(t)，t)小于0时，声子晶体失效。
[0055]
声子晶体的时变声明周期为[0，t
l
]，在时间时变声明周期内的声子晶体的服役时
间为t，0≤t≤t
l
。声子晶体在服役时间内失效概率可表示为：
[0056][0057]
当声子晶体的参数在取特定值，会计算得到带隙下限的最大值和最小值。相应的将最大值的带隙下限代入极限状态方程，计算得到声子晶体失效概率的下界；将最小值的带隙下限代入极限状态方程，计算得到声子晶体失效概率的上界。声子晶体在服役时间内失效率的下界和上界可表示为：
[0058][0059][0060]
为了便于对声子晶体的可靠性进行测试，减少服役时间对随机过程参数和区间过程参数的影响，因此，将随机过程参数和区间过程参数应用等效不确定转化，得到与时间无关的等效随机变量参数和等效区间变量参数，从而将时变可靠性分析转化为时不变可靠性分析。
[0061]
根据本发明的一个实施例，等效不确定转化可具体通过下公式实现：
[0062][0063]
其中，p
t
＝[s(t)，i(t)]，p
t
表示时变不确定参数，包括s(t)和i(t)。p
t
′
＝[s
′
，i
′
]，p
t
′
表示转化后的时不变不确定参数，包括s
′
和i
′
。s
′
为随机过程参数转化后的等效随机变量参数，i
′
为区间过程参数转化后的等效区间变量参数。
[0064]
图4a～图4d示出了根据本发明一个示范性实施例的等效不确定转化的示意图。图4a～图4d以区间过程参数转化为等效区间变量参数为例，说明等效不确定转化的过程。
[0065]
如图4a所示，区间过程参数i(t)与时间t相关；上界函数iu(t)和下界函数i
l
(t)确定区间过程参数i(t)在时间t的取值范围。其中时间t为连续时间，其取值范围是[0，t]。
[0066]
如图4b所示，首先将在连续时间t上取n个离散时间：t1～tn。确定上界函数iu(t)在离散时间上的取值，得到区间过程参数i(t)的离散上界函数iu(ti)。确定下界函数i
l
(t)在离散时间ti上的取值，得到区间过程参数i(t)的离散下界函数i
l
(ti)。其中，i为1～n之间的正整数，i＝1、2、
……
、n。
[0067]
如图4c所示，离散上界函数和离散下界函数在离散时间ti的取值确定区间过程参数i(t)在离散时间ti的取值范围。随后，将区间过程参数i(t)在离散时间ti的取值范围作为区间变量ii，其中，i为1～n之间的正整数，i＝1、2、
……
、n。
[0068]
如图4d所示，统计区间变量i1～in，确定区间过程参数i(t)在取值空间上的取值概率函数f
pdf
(i)。取值概率函数f
pdf
(i)即为与时间无关的等效区间变量参数。
[0069]
根据本发明的一个实施例，对描述声子晶体服役时间的时间参数t也转化为在声子晶体的时变生命周期[0，t
l
]内均分分布的等效分布时间参数t
′
，t
′
～u(0，t
l
)。
[0070]
根据随机变量参数、区间变量参数，以及转化后的等效随机变量参数、等效区间变
量参数和等效分布时间参数可构建得到可靠性测试模型。
[0071]
最终得到的可靠性测试模型中，用于计算声子晶体是否失效的极限状态函数为：
[0072][0073]
相应的通过可靠性测试模型计算声子晶体的失效概率，可通过如下公式计算：
[0074]
pf＝pr(g(x，y，s
′
，i
′
，t
′
)＜0)
[0075]
接着，执行步骤s130，根据可靠性测试模型构建神经网络模型。
[0076]
根据可靠性测试模型需要预测声子晶体的失效概率时，根据可靠性测试模型训练神经网络模型对声子晶体的失效概率进行预测。根据本发明的一个实施例，采用的神经网络模型可具体为dnn神经网络模型，本发明对神经网络模型的具体类型不做限制。
[0077]
训练神经网络模型时，首先对组成样本空间的样本点集s
mcs
进行等效不确定转化，根据等效不确定转化的公式将样本点集中样本点与时间相关的参数转化为与时间无关的参数，得到转化后的样本点集以便在训练时减少时间对随机过程参数和区间过程参数的影响。随后，从生成的样本点集中选择样本点，得到训练集s。训练集s中包括的样本点的数目为m，m≤n
mc
，n
mc
为样本点集中所包括样本点的数目。本发明对训练集s中所包括样本点的具体数目不做限制，可综合考虑训练时间等因素按需确定。
[0078]
根据本发明的一个实施例，从样本空间中选择样本点得到训练集s时，可采用权重采样的方式选择样本点。权重采样用于解决采样不均衡问题。由于随机采样在采样空间概率大的区域采集更多的样本，而靠近极限状态面附近的样本点一般在采样空间概率小的区域，因此为了保证采样得到的样本尽可能均匀，通过权重采样给小概率样本点大权重以保证采样得到的样本尽可能均匀。
[0079]
采用权重采样从样本空间得到训练集s时，首先对样本空间的样本点v
t(i)
计算其样本权重，具体可通过如下公式计算：
[0080][0081]
其中，w(i)为样本点的样本权重，f(v
t(i)
)为样本点v
t(i)
在样本空间中的概率密度。样本点v
t(i)
的参数为v
t
＝[x，y，s
′
，i
′
，t
′
]。
[0082]
随后，根据样本权重计算每个样本点的特征值，具体通过下式计算：
[0083][0084]
其中，u(i)可设置为(0，1)范围内的随机数。本发明对u(i)的具体取值范围不做限制，具体可根据需要进行设置。
[0085]
最后，根据特征值对每个样本点按照从小到大的顺序进行排序，选取前m个数目的样本点，得到训练集s。
[0086]
样本点集中，未被选中的样本点，也即不在训练集s中的样本点作为候选点集s
*
。候选点集s
*
与训练集s组合能够得到样本点集样本点集中，候选点集s
*
是
训练集s的补集。
[0087]
得到训练集s后，根据训练集s对神经网络模型进行训练。训练得到神经网络模型后，根据神经网络模型对声子晶体的失效率进行预测。根据本发明的一个实施例，对声子晶体失效率进行预测时，将转化后的样本点集输入训练好的神经网络模型，得到声子晶体的瞬时可靠性的失效率。
[0088]
根据本发明的一个实施例，为了实现更为准确的对声子晶体的可靠性进行测试，本发明使用迭代学习的方法对训练得到的神经网络模型进行更新，得到更为准确的声子晶体的失效率。
[0089]
根据本发明的一个实施例，设置停止规则以便根据停止规则确定何时结束迭代，停止对神经网络模型的更新。当每进行一次迭代，确定新的神经网络模型后，依据新的神经网络模型测算声子晶体的失效率，随后即根据停止规则判断是否停止迭代。若判断不满足停止规则，则继续进行迭代，更新申请网络模型。若判断满足停止规则，则停止迭代，退出循环。
[0090]
停止规则包括：
[0091][0092][0093][0094]
其中，k表示第k次迭代过程，n表示第n次迭代过程，1≤n≤k。表示第i次迭代过程中，神经网络模型计算的声子晶体的失效率，n≤i≤k。ε
th
为自定义停止阈值，可考虑测试时间等因素按需进行确定。根据本发明的一个实施例，ε
th
可设置为0.01。n为自定义的需要计算的迭代范围；判断停止规则时，根据第n次到第k次迭代的声子晶体的失效率计算是否满足停止规则。
[0095]
根据本发明的一个实施例，将初始生成神经网络模型记为第1次迭代，其迭代次数k＝1，随后将转化后的样本点集输入训练好的神经网络模型，得到声子晶体的瞬时可靠性的失效率。接着判断是否满足停止规则；若满足停止规则，则停止迭代。随后，根据将样本点集s
mcs
输入初始生成的神经网络模型，输出声子晶体的混合时变可靠性的失效率。若不满足停止规则，则继续迭代，对神经网络模型进行更新。
[0096]
对神经网络模型进行更新时，先从候选点集s
*
中确定第一点集具体的：使用上一次生成的神经网络模型，对候选点集s
*
中每个样本点的进行计算得到每个样本点的响应值g，响应值g根据如下公式计算：
[0097][0098]
接着根据每个样本点的响应值的绝对值进行排序，选取n
s*
个样本点作为第一点集根据本发明的一个实施例，的大小可通过如下公式计算：
[0099][0100]
本发明对的具体取值不作限制，可具体根据训练需要进行确定。
[0101]
随后，从第一点集中按照权重采样的方式选择m个实验点，作为第二点集sk。本发明对m的具体取值不做限制，可根据需要进行确定。
[0102]
接着，使用主动学习函数从第二点集sk中确定增量样本点v
new
。
[0103]
具体的：先采用k折验证交叉验证法对训练集进行处理。将训练集等分为k个训练子集，每个训练子集中包括相同数目的样本点。随后，每次训练时从k个训练子集中选择一个训练子集作为测试子集，其他的训练子集作为训练补集对神经网络模型进行训练。依次将k个训练子集中的每个训练子集作测试子集，即可训练得到k个补充神经网络模型。
[0104]
将样本点输入补充神经网络模型得到响应值g。根据训练补集训练得到补充神经网络模型其中，l为1～k间的正整数，l＝1、2、......、k。
[0105]
响应值根据如下公式计算：
[0106][0107]
将第二点集sk中的每个样本点输入到上一次使用训练集训练的神经网络模型，以及使用训练补集训练得到的k个补充神经网络模型中，计算每个样本点的不确定性。具体的可通过如下公式计算：
[0108][0109]
其中，us(v
ti
)为第二点集sk中的每个样本点的不确定性。为将样本点输入到上一次使用训练集训练的神经网络模型计算得到的响应值，为将样本点输入到第l个补充神经网络模型计算得到的响应值。
[0110]
随后，计算第二点集sk中每个样本点与现有训练集s的欧氏距离，具体可通过如下公式计算：
[0111][0112]
其中，d(v
ti
)为每个样本点与现有训练集s的欧氏距离，v
ti
为第二点集sk中的样本点，i为1～m间的正整数，i＝1、2、
……
、m。v
tj
为现有训练集s中的样本点，j为1～m间的正整数，j＝1、2、
……
、m。
[0113]
最后，根据欧式距离和不确定性利用主动学习函数确定增量样本点v
new
，具体可通
过如下公式计算：
[0114][0115]
其中，n(
·
)表示表示标准化操作，slf(v
ti
)是将第二点集sk中每个样本点输入主动学习函数计算得到的函数值。β的取值范围是(0，1)，本发明对β的具体取值不做限制。根据本发明的一个实施例，β的取值可为0.5，表示在计算主动学习函数时按同等重要性综合考虑欧式距离和不确定性。
[0116]
对第二点集sk中每个样本点输入主动学习函数计算得到的函数值进行排序，将计算得到的函数值最小样本点作为增量样本点v
new
。
[0117]
随后，将增量样本点添加到样本集s中，得到新的样本集，训练得到新的神经网络模型。
[0118]
根据上述步骤，通过使用主动学习的方法对神经网络模型进行迭代更新，每次选择最合适的增量样本点添加到样本集中得到新的样本集。根据上述方式计算得到的增量样本点远离现有的样本点，防止模型出现问题、保证了模型的进度、减少训练的样本点、使样本点尽可能接近极限状态面而且还具有较高的不确定性。
[0119]
将增量样本点添加到样本集s中，得到新的样本集的同时，将增量样本点从候选点集s
*
中去除，得到新的候选点集，以便后续迭代使用。
[0120]
训练得到新的神经网络模型后，将样本点集输入新的神经网络模型，得到声子晶体的瞬时可靠性的失效率。接着判断是否满足停止规则；若满足停止规则，则停止迭代。
[0121]
最后，执行步骤s140，根据神经网络模型和样本空间预测声子晶体在服役时间内的失效率。
[0122]
根据将样本点集s
mcs
输入新的神经网络模型，输出声子晶体的混合时变可靠性的失效率。若不满足停止规则，则继续迭代，令迭代次数k增加1；接着对新生成的神经网络模型继续进行更新，直到输出的瞬时可靠性的失效率满足停止规则。
[0123]
根据本发明的一个实施例，在计算得到声子晶体的混合时变可靠性的失效率后，根据失效率计算失效率的变异系数，具体可通过如下公式计算：
[0124][0125]
其中，pf为失效率，n为样本空间中样本点的个数，具体的，可实现为蒙特卡洛采样数n
mc
。
[0126]
随后，将计算得到的变异系数与预设系数阈值进行比较，若变异系数大于预设系数阈值，则输出失效率。根据本发明的一个实施例，预设系数阈值可设置为0.05，本发明对预设系数阈值的具体取值不做限制。
[0127]
若变异系数小于预设系数阈值，则增加样本空间中样本点的个数，得到新的样本空间，根据新的样本空间执行上述步骤s110～步骤s1n0，得到新的神经网络模型，计算失效
率和变异系数，直到计算得到的编译系数大于预设系数阈值。
[0128]
在可靠性测试模型中，计算声子晶体在服役时间内失效率时，包括下界和上界因此在最终生成失效率包括失效率上界和失效率下界，失效率即在失效率上界和实效率下界之间。
[0129]
图5示出了根据本发明的一个示范性实施例的声子晶体时变可靠性分析的示意图。如图5所示，先根据声子晶体的自身结构和材料属性确定声子晶体的参数；这些参数包括：随机变量参数、随机过程参数、区间变量参数和区间过程参数。根据各参数中，每个参数的具体取值范围能够确定声子晶体参数取值的样本空间。样本空间中包括多个样本点。在样本空间中取样本点时，可采用蒙特卡洛生成n
mc
个样本点，这些样本点构成的集合为样本点集s
mcs
。
[0130]
随后构建一种可靠性测试模型对声子晶体进行测试。构建可靠性测试模型时，设置可靠性测试模型时，确定声子晶体的失效条件为：在服役时间内，当声子晶体的带隙下限大于预设频率时，声子晶体失效。将声子晶体的失效条件作为构建可靠性测试模型的基本规则，从而构建可靠性测试模型。
[0131]
可靠性测试模型中：计算声子晶体是否失效的极限状态方程可表示为：
[0132][0133]
根据该极限状态方程可进一步计算声子晶体在服役时间内失效概率为：
[0134][0135]
当声子晶体的参数在取特定值，会计算得到带隙下限的最大值和最小值。相应的将最大值的带隙下限代入极限状态方程，计算得到声子晶体失效概率的下界；将最小值的带隙下限代入极限状态方程，计算得到声子晶体失效概率的上界。声子晶体在服役时间内失效率的下界和上界可表示为：
[0136][0137][0138]
为了对声子晶体的可靠性进行测试时，减少服役时间对随机过程参数和区间过程参数的影响，将随机过程参数和区间过程参数应用等效不确定转化，具体公式如下：
[0139][0140]
转化后得到与时间无关的等效随机变量参数和等效区间变量参数，从而将时变可靠性分析转化为时不变可靠性分析。
[0141]
对描述声子晶体服役时间的时间参数t也转化为在声子晶体的时变生命周期[0，t
l
]内均分分布的等效分布时间参数t
′
，t
′
～u(0，t
l
)。
[0142]
根据随机变量参数、区间变量参数，以及转化后的等效随机变量参数、等效区间变量参数和等效分布时间参数可构建得到可靠性测试模型。
[0143]
可靠性测试模型中，用于计算声子晶体是否失效的极限状态函数相应修改为：
[0144][0145]
计算声子晶体的失效概率的公式相应变为：
[0146]
pf＝pr(g(x，y，s
′
，i
′
，t
′
)＜0)
[0147]
根据可靠性测试模型需要预测声子晶体的失效概率时，根据可靠性测试模型训练神经网络模型对声子晶体的失效概率进行预测。为了实现更为准确的对声子晶体的可靠性进行测试，本发明使用迭代学习的方法对训练得到的神经网络模型进行更新。因此，在初次训练神经网络模型时，设置迭代次数为1。
[0148]
训练神经网络模型时，首先对组成样本空间的样本点集s
mcs
进行等效不确定转化，根据等效不确定转化的公式将样本点集中样本点与时间相关的参数转化为与时间无关的参数，得到转化后的样本点集随后，从生成的样本点集中选择样本点，得到训练集s。训练集s中包括的样本点的数目为m，m≤n
mc
，n
mc
为样本点集中所包括样本点的数目。
[0149]
从样本空间中选择样本点得到训练集s时，采用权重采样的方式选择样本点。首先对样本空间的样本点v
t(i)
计算其样本权重，具体可通过如下公式计算：
[0150][0151]
随后，根据样本权重计算每个样本点的特征值，具体通过下式计算：
[0152][0153]
最后，根据特征值对每个样本点按照从小到大的顺序进行排序，选取前m个数目的样本点，得到训练集s。
[0154]
样本点集中，未被选中的样本点，不在训练集s中的样本点作为候选点集s
*
。
[0155]
得到训练集s后，根据训练集s对神经网络模型进行训练。训练得到神经网络模型后，根据神经网络模型对声子晶体的失效率进行预测；将转化后的样本点集输入训练好的神经网络模型，得到声子晶体的瞬时可靠性的失效率。
[0156]
随后，根据停止规则判断得到的声子晶体的瞬时可靠性的失效率是否满足停止规则。停止规则包括：
[0157]
[0158][0159][0160]
若满足停止规则，则将样本点集s
mcs
输入神经网络模型，输出声子晶体的混合时变可靠性的失效率。
[0161]
若不满足停止规则，则更新迭代次数，使迭代次数增加1，。
[0162]
随后，从候选点集s
*
中确定第一点集使用上一次生成的神经网络模型，对候选点集s
*
中每个样本点的进行计算得到每个样本点的响应值g，响应值g根据如下公式计算：
[0163][0164]
接着根据每个样本点的响应值的绝对值进行排序，选取个样本点作为第一点集集的大小可通过如下公式计算：
[0165][0166]
随后，从第一点集中按照权重采样的方式选择m个实验点，作为第二点集sk。
[0167]
接着，使用主动学习函数从第二点集sk中确定增量样本点v
new
。先采用k折验证交叉验证法对训练集进行处理。将训练集等分为k个训练子集，每个训练子集中包括相同数目的样本点。依次将k个训练子集中的每个训练子集作测试子集，其他的训练子集作为训练补集对神经网络模型进行训练，即可训练得到k个补充神经网络模型。
[0168]
将样本点输入补充神经网络模型得到响应值g。根据训练补集训练得到补充神经网络模型响应值根据如下公式计算：
[0169][0170]
将第二点集sk中的每个样本点输入到上一次使用训练集训练的神经网络模型，以及使用训练补集训练得到的k个补充神经网络模型中，计算每个样本点的不确定性。具体的可通过如下公式计算：
[0171][0172]
随后，计算第二点集sk中每个样本点与现有训练集s的欧氏距离，具体可通过如下公式计算：
[0173]
[0174]
最后，根据欧式距离和不确定性利用主动学习函数确定增量样本点v
new
，具体可通过如下公式计算：
[0175][0176]
对第二点集sk中每个样本点输入主动学习函数计算得到的函数值进行排序，将计算得到的函数值最小样本点作为增量样本点v
new
。
[0177]
将增量样本点添加到样本集s中，得到新的样本集，训练得到新的神经网络模型。
[0178]
训练得到新的神经网络模型后，将样本点集输入新的神经网络模型，得到声子晶体的瞬时可靠性的失效率。接着判断是否满足停止规则；若满足停止规则，则停止迭代。随后，根据将样本点集s
mcs
输入新的神经网络模型，输出声子晶体的混合时变可靠性的失效率。若不满足停止规则，则继续迭代，令迭代次数k增加1；接着对新生成的神经网络模型继续进行更新，直到输出的瞬时可靠性的失效率满足停止规则。
[0179]
在满足停止规则时，根据得到的声子晶体的混合时变可靠性的失效率计算失效率的变异系数，具体可通过如下公式计算：
[0180][0181]
将计算得到的变异系数与预设系数阈值进行比较，若变异系数大于预设系数阈值，则输出失效率。
[0182]
若变异系数小于预设系数阈值，则增加样本空间中样本点的个数，得到新的样本空间，根据新的样本空间重复上述步骤，得到新的神经网络模型，计算失效率和变异系数，直到计算得到的编译系数大于预设系数阈值。
[0183]
计算声子晶体在服役时间内失效率时，包括下界和上界在最终生成失效率包括失效率上界和失效率下界，失效率即在失效率上界和实效率下界之间。
[0184]
本发明公开了一种声子晶体时变可靠性测试方法，适于在计算设备中执行。方法包括步骤：根据声子晶体的参数确定样本空间；根据样本空间和声子晶体的失效条件构建可靠性测试模型；根据可靠性测试模型构建神经网络模型；根据神经网络模型和样本空间预测声子晶体在服役时间内的失效率。本发明通过构建声子晶体的可靠性测试模型，在通过可靠性测试模型构建神经网络模型，能够预测声子晶体在服役时间内的失效率，避免了由于缺少声子晶体的参数，而无法判断声子晶体的性能，实现了对声子晶体在服役时间内性能表现的确定。
[0185]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0186]
a9、如a8所述的方法，其中，所述根据所述迭代次数确定增量样本点包括步骤：
[0187]
根据训练集确定候选点集，并根据所述候选点集确定第一点集；
[0188]
通过权重采样从所述第一点集中确定第二点集；
[0189]
根据主动学习函数从所述第二点集中确定增量样本点。
[0190]
a10、如a9所述的方法，其中，所述根据主动学习函数从所述第二点集中确定增量样本点包括步骤：
[0191]
确定所述第二点集中每个样本点的不确定性；
[0192]
确定所述第二点集中每个样本点与所述训练集的欧式距离；
[0193]
将每个样本点的不确定性和欧式距离输入主动学习函数，得到每个样本点的函数值；
[0194]
将第二点集中函数值最小的样本点作为增量样本点。
[0195]
a11、如a10所述的方法，其中，所述确定所述第二点集中每个样本点的不确定性包括步骤：
[0196]
根据上一次生成的样本集生成多个训练补集；
[0197]
根据每个训练补集生成补充神经网络模型；
[0198]
根据补充神经网络模型和上一次生成的神经网络模型确定每个样本点的不确定性。
[0199]
a12、如a1-a11中任一项所述的方法，其中，所述根据所述神经网络模型和所述样本空间预测所述声子晶体在服役时间内的失效率包括步骤：
[0200]
根据所述神经网络模型和所述样本空间中的样本点计算得到所述声子晶体的混合时变可靠性的失效率。
[0201]
a13、如a12所述的方法，其中，所述方法还包括步骤：
[0202]
根据所述声子晶体的混合时变可靠性的失效率计算所述失效率的变异系数；
[0203]
确定所述变异系数是否大于预设系数阈值；
[0204]
若所述变异系数不大于预设系数阈值，则向所述样本空间中添加新的样本点，得到新的样本空间；
[0205]
根据新的样本空间训练神经网络模型，直到所述神经网络模型的变异系数大于所述预设最小化阈值。
[0206]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
[0207]
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
[0208]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间，以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书中公开的每个特征可以由提供相同、等同或相似目
的的替代特征来代替。
[0209]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
[0210]
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
[0211]
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、cd-rom、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
[0212]
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的声子晶体时变可靠性测试方法。
[0213]
以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
[0214]
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
[0215]
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的。