← 返回列表
基于特征融合和数据增强的含能材料键离解能的预测方法
摘要文本
本发明公开了基于特征融合和数据增强的含能材料键离解能的预测方法, 构建含能材料键离解能BDE数据集；构建数据集中每个分子的融合描述符；将数据集划分为初始训练集和独立测试集，重复20次划分，每次划分数据后，采用数据增强方法扩充初始训练集，使用网格搜索优化XGBoost模型，采用训练好的XGBoost模型对独立测试集进行预测，以评估模型性能；20次测试结果的平均值作为模型的最终性能；得到的键离解能预测模型性能明显优于已报道的键离解能预测模型。本发明采用融合描述符，并结合数据增强策略来解决含能数据小样本对模型预测性能的限制，以提升对含能材料的键离解能的预测精度。
申请人信息
- 申请人:四川大学
- 申请人地址:610044 四川省成都市一环路南一段24号
- 发明人: 四川大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 基于特征融合和数据增强的含能材料键离解能的预测方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202311534351.6 |
| 申请日 | 2023/11/17 |
| 公告号 | CN117497095A |
| 公开日 | 2024/2/2 |
| IPC主分类号 | G16C20/70 |
| 权利人 | 四川大学 |
| 发明人 | 蒲雪梅; 苟巧林; 刘静; 郭延芝; 徐司雨 |
| 地址 | 四川省成都市一环路南一段24号 |
专利主权项内容
1.一种基于特征融合和数据增强的含能材料键离解能的预测方法，其特征在于，包括：步骤S100、构建含能材料键离解能BDE数据集；步骤S200、构建含能材料BDE数据集中每个分子的键离解能融合描述符；步骤S300、将含能材料BDE数据集按设定比例划分为初始训练集和独立测试集，重复划分数据M次，对每次划分的初始训练集和独立测试集分别执行以下步骤：采用数据增强方法扩充初始训练集；将扩充后的初始训练集按设定比例再次划分为训练集和验证集，采用训练集训练XGBoost模型，在验证集上采用网络搜索方法寻找模型的最优超参数，确定最优模型后，对独立测试集的分子进行键离解能的预测，作为XGBoost模型独立测试的结果；步骤S400、将M次模型评估的结果取平均值作为模型最终的性能结果，其中的最优模型作为最后得到的XGBoost模型；步骤S500、采用训练好的XGBoost模型进行含能材料键离解能的预测。