[发明专利]一种团簇结构类型识别方法

权利要求书

1.一种团簇结构类型识别方法，其特征在于：具体步骤如下：

S1：团簇结构类型的分类

所述的团簇结构类型分为十面体、二十面体，面心立方结构、Leary四面体和无定型结构，分别用数值[1,2,3,4,5]表示；

S2：纳米团簇结构样本的获取

对基于势函数能量函数描述的一元团簇、二元团簇和三元团簇，通过全局优化算法得到的最稳定结构或者经过局部优化得到的局部极优结构作为纳米团簇结构样本；然后，按照纳米团簇结构的尺寸分布从每种结构的团簇中均匀地收集至少100个结构样本，总共至少500个结构样本；

S3：提取纳米团簇结构的14个特征值

所述的14个特征值具体如下：

1)团簇原子总数目N；

2)团簇结构中成键总数目n：当任意两个原子间的距离小于最近邻平衡距离的1.2倍时，认为这两个原子成键；

3)键长的相对标准偏差RSD：

其中，x_i为第i条成键的键长，是平均键长；

4)原子相邻链接数目为12的原子个数；

5)原子相邻链接数目为11的原子个数；

6)原子相邻链接数目为10的原子个数；

7)原子相邻链接数目为9的原子个数；

8)原子相邻链接数目为12的原子与该原子相邻的其它两个原子形成的键角小于90度的所有键角的平均值；

9)原子相邻链接数目为12的原子与该原子相邻的其它两个原子形成的键角大于90度且小于170度的所有键角的平均值；

10)原子相邻链接数目为11的原子与该原子相邻的其它两个原子形成的键角小于90度的所有键角的平均值；

11)原子相邻链接数目为11的原子与该原子相邻的其它两个原子形成的键角大于90度且小于170度的所有键角的平均值；

12)原子相邻链接数目为10的原子与该原子相邻的其它两个原子形成的键角小于90度的所有键角的平均值；

13)原子相邻链接数目为10的原子与该原子相邻的其它两个原子形成的键角大于90度且小于170度的所有键角的平均值；

14)团簇中含有三棱锥锥体的个数；

S4：校正集与验证集的产生

采用KS(Kennard-Stone)分组算法对结构样本进行分组，2/3-3/4样本作为校正集，1/3-1/4样本作为验证集；

S5：样本数据的处理

样本矩阵的输入维数为14个特征数；而这些代表不同特征的数据之间相差较大，进行数据归一化处理，将数据映射到[0,1]；

S6：分类识别模型构建

对团簇结构类型构建一个分类识别模型，该模型是BP神经网络；模型的输入是14个特征变量形成的向量，故输入层节点数为14个；模型输出的是团簇结构类型的向量，故输出层节点数设为1个；神经网络设计为两个隐层，第一、二隐层的节点数均为8；隐层响应函数为非线性响应函数，均采用tansig函数；输出层采用线性响应函数；使用批量梯度下降算法优化模型，其中，模型参数设置如下：批次大小设置为200，学习率设置为0.1，迭代次数为500；

S7：分类识别模型训练

用校正集训练该分类识别模型，当达到迭代次数后结束训练，如果模型无法满足要求，则返回步骤S6，修改模型参数，直到满足要求；

S8：验证集测试

根据分类识别模型的参数和响应函数，识别验证集的团簇结构类型，验证集样本的团簇结构类型正确识别率为96.00％。

2.根据权利要求1所述的一种团簇结构类型识别方法，其特征在于：步骤S2所收集的纳米团簇结构样本的尺寸从13原子到300原子之间。

3.根据权利要求1所述的一种团簇结构类型识别方法，其特征在于：步骤S2中的一元团簇包括一元Lennard-Jones团簇、铝团簇、银团簇、金团簇、铜团簇和钴团簇；二元团簇包括二元Lennard-Jones团簇、铜-金团簇和钴-钯团簇；三元团簇包括三元Lennard-Jones团簇、银-钯-铂团簇和金-钯-铂团簇。

4.根据权利要求3所述的一种团簇结构类型识别方法，其特征在于：所述的铝团簇基于NP-B势函数描述、银团簇基于Gupta势函数描述、金团簇基于Gupta势函数描述、铜团簇基于Sutton-Chen函数描述、钴团簇基于Gupta势函数描述；所述的铜-金团簇基于Gupta势函数描述，钴-钯团簇基于Gupta势函数描述；所述的银-钯-铂团簇基于Gupta势函数描述，金-钯-铂团簇基于Gupta势函数描述。