基于机器学习算法的硼酸盐玻璃光学带隙预测、验证方法技术

本发明专利技术涉及光学带隙预测技术领域，具体涉及一种基于机器学习算法的硼酸盐玻璃光学带隙预测、验证方法，该预测方法包括：获取硼酸盐玻璃成分和光学带隙数据，并进行预处理，从预处理后的硼酸盐玻璃成分和光学带隙数据中分离得到验证集；构建数据库生成训练集和测试集；构建ANN模型，并定义ANN模型的参数范围，基于训练集针对不同参数对ANN模型进行训练，训练后的ANN模型结合模型评估分数构建ML模型；将训练集输入至ML模型中得到评估分数，对训练集的所有评估分数进行比对确定最优ML模型，基于测试集获取预测光学带隙数据；即优化人工神经网络模型，加入for循环自动训练，提高了模型训练效率，实现了边训练边评估的预测方法。

【技术实现步骤摘要】

本专利技术涉及光学带隙预测，具体涉及一种基于机器学习算法的硼酸盐玻璃光学带隙预测、验证方法。

技术介绍

1、硼酸盐玻璃由于其独特的优势，应用领域颇为广泛，其在紫外到红外波段具有较高的透过率和较低的折射率，其透过率通常取决于光学带隙，带隙越大，玻璃对紫外光的吸收越强，可见光透过率越高；而光学带隙的测量方法通常有两种：一种是紫外-可见分光光度法，通过测量玻璃的透射率或吸收光谱，利用tauc图计算光学带隙；另一种是椭偏光谱法，通过测量玻璃的复折射率，间接计算光学带隙；这两种方法均需要通过实验合成玻璃，进而对其进行测量；或者采用经验公式法和第一性原理计算光学带隙，但是这些实验或理论计算方法计算量较大、时间成本高、资源要求高。

2、随着21世纪人工智能技术的发展，机器学习(ml，machine learning model)技术被逐步运用到玻璃的成分-性能研究上来，研究者们不断利用机器学习技术去预测玻璃的物理性能、化学性能、热学性能、机械性能、电学/磁学性能、光学性能和结构，其充分展示了机器学习的优势：(1)、其基于数据驱动，擅长处理高维数据，能够同时考本文档来自技高网...

【技术保护点】

1.一种基于机器学习算法的硼酸盐玻璃光学带隙预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种基于机器学习算法的硼酸盐玻璃光学带隙预测方法，其特征在于，获取硼酸盐玻璃成分和光学带隙数据，并进行预处理，从预处理后的硼酸盐玻璃成分和光学带隙数据中分离得到验证集，包括：

3.根据权利要求1所述的一种基于机器学习算法的硼酸盐玻璃光学带隙预测方法，其特征在于，构建ANN模型，并定义ANN模型的参数范围，包括：

4.根据权利要求3所述的一种基于机器学习算法的硼酸盐玻璃光学带隙预测方法，其特征在于，基于训练集针对不同参数对ANN模型进行训练，训练后的...

【技术特征摘要】

1.一种基于机器学习算法的硼酸盐玻璃光学带隙预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种基于机器学习算法的硼酸盐玻璃光学带隙预测方法，其特征在于，获取硼酸盐玻璃成分和光学带隙数据，并进行预处理，从预处理后的硼酸盐玻璃成分和光学带隙数据中分离得到验证集，包括：

3.根据权利要求1所述的一种基于机器学习算法的硼酸盐玻璃光学带隙预测方法，其特征在于，构建ann模型，并定义ann模型的参数范围，包括：

4.根据权利要求3所述的一种基于机器学习算法的硼酸盐玻璃光学带隙预测方法，其特征在于，基于训练集针对不同参数对ann模型进行训练，训练后的ann模型结合模型评估分数构建ml模型，包括：

5.一种基于机器学习算法对预测光学带隙数据的验证方法，其特征在于，用于验证如权利要求1-4任一项所述的一种基于机器学习算法的硼酸盐玻璃光学带隙预测方法中得到的预测光学带隙数据与...

【专利技术属性】
技术研发人员：付丽丽，徐慧敏，邓元兴，丁杭宸，王萌，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：