磷光材料的发光波长预测方法及系统技术方案

本发明专利技术提供磷光材料的发光波长预测方法及系统，属于发光材料的性能预测技术领域，获取待检测磷光材料的分子特征；利用预先训练好的波长预测模型对获取的待检测磷光材料的分子特征进行处理，得到待检测磷光材料的发光波长；其中，预先训练好的波长预测模型通过训练集训练得到，训练集包括多个磷光材料的分子特征以及标注不同的分子特征对应的发光波长的标签。本发明专利技术提取了数据集中磷光发光材料的相关特征，筛选关键特征作为输入、发光波长作为输出，采用机器学习模型进行训练；对算法模型进行评估和优化，筛选优化后的模型；采用优化后的模型对磷光材料的发光波长进行预测；准确预测了以磷光材料材料的发光波长，实现了高通量磷光材料材料筛选。量磷光材料材料筛选。量磷光材料材料筛选。

【技术实现步骤摘要】
磷光材料的发光波长预测方法及系统


[0001]本专利技术涉及发光材料的性能预测
，具体涉及一种磷光材料的发光波长预测方法及系统。

技术介绍

[0002]磷光材料作为一种高效发光材料，其发光波长是决定其应用的一个重要的特征。为了设计一种具有特定发光波长的磷光材料，现有常规的方法是使用量化计算方法(如密度泛函理论(DFT)计算)，计算出相应的发光波长，有助于研究人员在实验前对材料进行筛选；然而，量化计算非常耗时，而且与实验的误差比较大，不利于高通量磷光材料筛选和指导实验优化。

技术实现思路

[0003]本专利技术的目的在于提供一种能够有效的在误差范围内预测磷光材料的发光波长，实现发光波长准确预测以及磷光材料高通量筛选的磷光材料的发光波长预测方法及系统，以解决上述
技术介绍
中存在的至少一项技术问题。
[0004]为了实现上述目的，本专利技术采取了如下技术方案：
[0005]一方面，本专利技术提供一种磷光材料的发光波长预测方法，包括：
[0006]获取待检测磷光材料的分子特征；
[0007]利用预先训练好的波长预测模型对获取的待检测磷光材料的分子特征进行处理，得到待检测磷光材料的发光波长；其中，所述预先训练好的波长预测模型通过训练集训练得到，所述训练集包括多个磷光材料的分子特征以及标注不同的分子特征对应的发光波长的标签。
[0008]优选的，分子特征包括化学信息学、电拓扑态特征、分子指纹。
[0009]优选的，提取文献报道/实验报告中的磷光材料，采用分子编辑软件或网页得到修饰材料的SMILES编码；基于磷光材料的SMILES编码进行特征提取，采用相关性分析、主成分分析或重要性分析筛选关键特征，得到重要特征数据集。
[0010]优选的，建立不同的机器学习算法模型，利用所述重要特征数据集对不同的机器学习算法模型进行训练和测试，评估各个机器学习算法模型性能，选择优化的机器学习算法模型。
[0011]优选的，将所述重要特征数据集分为训练集和测试集，利用所述训练集和测试集对不同的机器学习算法模型进行训练和测试，利用均方根误差RMSE和Pearson相关系数r，Person决定系数r2评估各个机器学习算法模型的性能，筛选在测试集上执行最低RMSE和最高r、r2值的机器学习算法模型，作为优化的机器学习算法模型，即波长预测模型。
[0012]优选的，所述机器学习算法模型包括Lasso线性回归算法、前向神经网络回归算法、随机森林回归算法或XGBoost回归算法。
[0013]第二方面，本专利技术提供一种磷光材料的发光波长预测系统，包括：
[0014]获取模块，用于获取待检测磷光材料的分子特征；
[0015]预测模块，用于利用预先训练好的波长预测模型对获取的待检测磷光材料的分子特征进行处理，得到待检测磷光材料的发光波长；其中，所述预先训练好的波长预测模型通过训练集训练得到，所述训练集包括多个磷光材料的分子特征以及标注不同的分子特征对应的发光波长的标签。
[0016]第三方面，本专利技术提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的磷光材料的发光波长预测方法。
[0017]第四方面，本专利技术提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的磷光材料的发光波长预测方法。
[0018]第五方面，本专利技术提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的磷光材料的发光波长预测方法的指令。
[0019]本专利技术有益效果：基于实验数据建立数据集，并对数据进行清洗；提取了数据集中磷光发光材料的相关特征，筛选关键特征作为输入、发光波长作为输出，采用机器学习模型进行训练；对算法模型进行评估和优化，筛选优化后的模型；采用优化后的模型对磷光材料的发光波长进行预测；准确预测了以磷光材料材料的发光波长，实现了高通量磷光材料材料筛选。
[0020]本专利技术附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本专利技术的实践了解到。
附图说明
[0021]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]图1为本专利技术实施例所述的磷光材料发光波长的预测方法的研究流程示意图。
[0023]图2为本专利技术实施例所述的磷光材料发光波长的预测方法的重要性分析图。
[0024]图3为本专利技术实施例所述的磷光材料发光波长的预测方法中基于不同算法的预测值与真实值的比较示意图。
具体实施方式
[0025]下面详细叙述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。
[0026]本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。
[0027]还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术
的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0028]本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
[0029]在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本专利技术的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0030]为便于理解本专利技术，下面结合附图以具体实施例对本专利技术作进一步解释说明，且具体实施例并不构成对本专利技术实施例的限定。
[0031]本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本专利技术所必须的。
[0032]实施例1
[0033]本实施例1提供一种磷光材料的发光波长预测系统，包括：
[0034]获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种磷光材料的发光波长预测方法，其特征在于，包括：获取待检测磷光材料的分子特征；利用预先训练好的波长预测模型对获取的待检测磷光材料的分子特征进行处理，得到待检测磷光材料的发光波长；其中，所述预先训练好的波长预测模型通过训练集训练得到，所述训练集包括多个磷光材料的分子特征以及标注不同的分子特征对应的发光波长的标签。2.根据权利要求1所述的磷光材料的发光波长预测方法，其特征在于，分子特征包括化学信息学、电拓扑态特征、分子指纹。3.根据权利要求2所述的磷光材料的发光波长预测方法，其特征在于，提取文献报道/实验报告中的磷光材料，采用分子编辑软件或网页得到修饰材料的SMILES编码；基于磷光材料的SMILES编码进行特征提取，采用相关性分析、主成分分析或重要性分析筛选关键特征，得到重要特征数据集。4.根据权利要求3所述的磷光材料的发光波长预测方法，其特征在于，建立不同的机器学习算法模型，利用所述重要特征数据集对不同的机器学习算法模型进行训练和测试，评估各个机器学习算法模型性能，选择优化的机器学习算法模型。5.根据权利要求4所述的磷光材料的发光波长预测方法，其特征在于，将所述重要特征数据集分为训练集和测试集，利用所述训练集和测试集对不同的机器学习算法模型进行训练和测试，利用均方根误差RMSE和Pearson相关系数r，Person决定系数r2评估各个机器学习算法模型的性能，筛选在测试集上执行最低RMSE和最高r、r2值的机器学习算法模型，作为优化的...

【专利技术属性】
技术研发人员：宋丹丹，师浩宸，李颖杰，赵谡玲，乔泊，梁志琴，徐征，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：