[发明专利]磷光材料的发光波长预测方法及系统

权利要求书

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，作为优化的机器学习算法模型，即波长预测模型。

6.根据权利要求5所属的磷光材料的发光波长预测方法，其特征在于，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。

7.一种磷光材料的发光波长预测系统，其特征在于，包括：

获取模块，用于获取待检测磷光材料的分子特征；

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。

8.一种非暂态计算机可读存储介质，其特征在于，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，实现如权利要求1-6任一项所述的磷光材料的发光波长预测方法。

9.一种计算机程序产品，其特征在于，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，用于实现如权利要求1-6任一项所述的磷光材料的发光波长预测方法。

10.一种电子设备，其特征在于，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权利要求1-6任一项所述的磷光材料的发光波长预测方法的指令。