[發明專利]磷光材料的發光波長預測方法及系統

在審

• 申請號: 202211026286.1
• 申請日: 2022-08-25
• 公開（公告）號: CN115394383A
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 宋丹丹;師浩宸;李穎杰;趙謖玲;喬泊;梁志琴;徐征
• 申請（專利權）人: 北京交通大學
• 主分類號: G16C60/00
• 分類號: G16C60/00;G16C20/30;G16C20/70;G06N20/00;G06N20/20;G06N5/00;G06N3/08;G06K9/62
• 代理公司: 北京市商泰律師事務所 11255
• 代理人: 鄒芳德

1.一種磷光材料的發光波長預測方法，其特征在于，包括：

獲取待檢測磷光材料的分子特征；

利用預先訓練好的波長預測模型對獲取的待檢測磷光材料的分子特征進行處理，得到待檢測磷光材料的發光波長；其中，所述預先訓練好的波長預測模型通過訓練集訓練得到，所述訓練集包括多個磷光材料的分子特征以及標注不同的分子特征對應的發光波長的標簽。

2.根據權利要求1所述的磷光材料的發光波長預測方法，其特征在于，分子特征包括化學信息學、電拓撲態特征、分子指紋。

3.根據權利要求2所述的磷光材料的發光波長預測方法，其特征在于，提取文獻報道/實驗報告中的磷光材料，采用分子編輯軟件或網頁得到修飾材料的SMILES編碼；基于磷光材料的SMILES編碼進行特征提取，采用相關性分析、主成分分析或重要性分析篩選關鍵特征，得到重要特征數據集。

4.根據權利要求3所述的磷光材料的發光波長預測方法，其特征在于，建立不同的機器學習算法模型，利用所述重要特征數據集對不同的機器學習算法模型進行訓練和測試，評估各個機器學習算法模型性能，選擇優化的機器學習算法模型。

5.根據權利要求4所述的磷光材料的發光波長預測方法，其特征在于，將所述重要特征數據集分為訓練集和測試集，利用所述訓練集和測試集對不同的機器學習算法模型進行訓練和測試，利用均方根誤差RMSE和Pearson相關系數r，Person決定系數r²評估各個機器學習算法模型的性能，篩選在測試集上執行最低RMSE和最高r、r²值的機器學習算法模型，作為優化的機器學習算法模型，即波長預測模型。

6.根據權利要求5所屬的磷光材料的發光波長預測方法，其特征在于，所述機器學習算法模型包括Lasso線性回歸算法、前向神經網絡回歸算法、隨機森林回歸算法或XGBoost回歸算法。

7.一種磷光材料的發光波長預測系統，其特征在于，包括：

獲取模塊，用于獲取待檢測磷光材料的分子特征；

預測模塊，用于利用預先訓練好的波長預測模型對獲取的待檢測磷光材料的分子特征進行處理，得到待檢測磷光材料的發光波長；其中，所述預先訓練好的波長預測模型通過訓練集訓練得到，所述訓練集包括多個磷光材料的分子特征以及標注不同的分子特征對應的發光波長的標簽。

8.一種非暫態計算機可讀存儲介質，其特征在于，所述非暫態計算機可讀存儲介質用于存儲計算機指令，所述計算機指令被處理器執行時，實現如權利要求1-6任一項所述的磷光材料的發光波長預測方法。

9.一種計算機程序產品，其特征在于，包括計算機程序，所述計算機程序當在一個或多個處理器上運行時，用于實現如權利要求1-6任一項所述的磷光材料的發光波長預測方法。

10.一種電子設備，其特征在于，包括：處理器、存儲器以及計算機程序；其中，處理器與存儲器連接，計算機程序被存儲在存儲器中，當電子設備運行時，所述處理器執行所述存儲器存儲的計算機程序，以使電子設備執行實現如權利要求1-6任一項所述的磷光材料的發光波長預測方法的指令。