# project_deep_xiao

**Repository Path**: windclub/project_deep_xiao

## Basic Information

- **Project Name**: project_deep_xiao
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-08-07
- **Last Updated**: 2025-08-26

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 材料性能预测系统

## 项目概述

本项目旨在使用神经网络模型预测材料的太阳反射率和红外发射率，基于材料的添加条件（高分子基体、无机添加剂、其余材料和加工方法）。项目包括数据处理、模型训练、遗传算法优化和SHAP分析四个主要部分。

## 系统架构

```
                      +----------------+
                      |   原始数据集   |
                      +-------+--------+
                              |
                              v
+------------------+  +-------+--------+
|  数据可视化与分析  |<-|   数据处理    |
+------------------+  +-------+--------+
                              |
                              v
                      +-------+--------+
                      |   模型训练    |
                      +-------+--------+
                              |
                      +-------v--------+
                      |   模型评估    |
                      +-------+--------+
                             / \
                            /   \
               +-----------+     +------------+
               |                              |
               v                              v
      +--------+-------+            +---------+------+
      | 遗传算法优化   |            |   SHAP分析     |
      +--------+-------+            +---------+------+
               |                              |
               v                              v
      +--------+-------+            +---------+------+
      | 最佳参数组合   |            | 特征重要性分析  |
      +----------------+            +----------------+
```

## 功能模块

1. **数据处理模块**：加载原始数据集，清洗数据，对分类特征进行独热编码，将数据集分为训练集和测试集，可视化数据分布和特征关系。

2. **模型训练模块**：实现了三种神经网络架构（MLP、残差网络和集成模型），使用自定义损失函数（MSE + 相关性损失）训练模型，实现了早停和学习率调度策略，比较不同模型的性能并选择最佳模型。

3. **遗传算法优化模块**：使用NSGA-III多目标遗传算法寻找最佳参数组合，以优化太阳反射率和红外发射率，分析最佳解和参数分布，可视化优化过程和结果。

4. **SHAP分析模块**：使用SHAP（SHapley Additive exPlanations）方法解释模型预测结果，帮助理解不同特征对预测太阳反射率和红外发射率的影响，可视化特征重要性和依赖关系，分析特征交互，分析特定样本（最佳预测和最差预测）。

## 安装说明

### 环境要求

- Python 3.8+
- PyTorch 2.4.1+
- CUDA（用于GPU加速，可选）

### 依赖库

```bash
pip install -r requirements.txt
```

`requirements.txt` 文件内容如下：

```
pandas==2.0.0
numpy==1.24.0
matplotlib==3.7.0
seaborn==0.12.0
scikit-learn==1.2.0
torch==2.4.1
openpyxl==3.1.0
pymoo==0.6.0
shap==0.41.0
```

## 使用方法

### 运行完整流程

```bash
python main.py
```

这将依次执行数据处理、模型训练、遗传算法优化和SHAP分析，并生成总结报告。

### 运行特定步骤

```bash
# 跳过数据处理步骤
python main.py --skip-data-processing

# 跳过模型训练步骤
python main.py --skip-model-training

# 跳过遗传算法优化步骤
python main.py --skip-genetic-algorithm

# 跳过SHAP分析步骤
python main.py --skip-shap-analysis

# 只生成总结报告
python main.py --only-report
```

### 单独运行各模块

```bash
# 数据处理
python data_processing.py

# 模型训练
python train.py

# 遗传算法优化
python genetic_algorithm.py

# SHAP分析
python shap_analysis.py
```

## 输出目录

- `output/`：数据处理结果
- `models/`：模型文件
- `figures/`：可视化结果
- `ga_results/`：遗传算法结果
- `shap_results/`：SHAP分析结果
- `summary_report.md`：总结报告

## 文件说明

- `data_processing.py`：数据处理脚本
- `model.py`：神经网络模型定义
- `train.py`：模型训练脚本
- `genetic_algorithm.py`：遗传算法优化脚本
- `shap_analysis.py`：SHAP分析脚本
- `main.py`：主脚本，整合所有功能
- `README.md`：项目说明文档
- `requirements.txt`：依赖库列表

## 注意事项

1. 确保原始数据集 `数据集0727.xlsx` 位于项目根目录。
2. 遗传算法优化和SHAP分析可能需要较长时间，请耐心等待。
3. 如果使用GPU加速，请确保已正确安装CUDA和PyTorch的GPU版本。

## 结果解读

1. **模型评估结果**：查看 `output/best_model_info.json` 了解最佳模型的性能指标。
2. **遗传算法优化结果**：查看 `ga_results/final_results.csv` 了解最佳参数组合。
3. **SHAP分析结果**：查看 `shap_results/shap_analysis_report.md` 了解特征重要性分析。
4. **总结报告**：查看 `summary_report.md` 了解整个系统的总结和建议。