[发明专利]一种基于数据挖掘快速预测双钙钛矿氧化物带隙的方法

说明书

本发明涉及一种基于数据挖掘快速预测双钙钛矿氧化物带隙的方法，包括以下步骤：1)利用计算机系统，从文献中查找Asubgt;2/subgt;B′B″Osubgt;6/subgt;型钙钛矿材料的带隙值和化学式；2)根据化学式生成对应的描述符作为自变量；3)将数据集随机分为训练集和测试集；4)利用最大相关最小冗余结合支持向量机留一法进行变量筛选；5)运用目标变量，筛选好的自变量以及支持向量机算法通过训练集样本建立双钙钛矿氧化物带隙的预报模型；6)根据建立好的带隙模型快速预报测试集样本中双钙钛矿氧化物的带隙。本发明基于可靠的文献数据和建模方法，所建双钙钛矿氧化物带隙的预报模型具有简便快捷、低成本、无污染的优点。

技术领域

本发明涉及双钙钛矿氧化物的电学性能领域，特别是涉及一种基于数据挖掘快速预测双钙钛矿氧化物带隙的方法。

技术背景

钙钛矿是当前最热门的材料之一，其结构通常有简单钙钛矿结构、双钙钛矿结构和层状钙钛矿结构。由于其稳定的晶体结构、独特的物理化学性质，钙钛矿可以被应用在太阳能电池、固体燃料电池、传感器、热电、磁存储及催化剂等诸多领域。

带隙(Band Gap)是导带的最低点和价带的最高点的能量之差，也称能隙、禁带宽度，符号为E_g。在固体中能带是不连续的，因此其电子能量也是不连续的，只有当自由电子或空穴存在时才具有导电的性质。自由电子存在的能带成为导带，自由空穴存在的能带称为价带，被束缚的电子要成为自由电子或者空穴，就必须获得足够的能量从价带跃迁到导带，这个能量的最小值就是带隙。带隙是半导体的一个重要特征参量，其大小主要决定于半导体的能带结构，即与晶体结构和原子的键合性质等有关。钙钛矿是钙钛矿太阳能电池器件的核心材料，其带隙是光电转化效率的重要影响因素之一，因此研究带隙是具有非常重要的意义。

最大相关最小冗余(mRMR)是基于信息论的经典自变量选择算法。mRMR的核心思想是最大化自变量与目标变量之间的相关性，而最小化自变量与自变量之间的相关性。

支持向量机(support vector machine，简称SVM)是数学家Vladimir N.Vapnik等建立在统计学习理论(statistical learning theory，简称SLT)基础上的机器学习新方法，包括支持向量分类(support vector classification，简称SVC)算法和支持向量回归(support vector regression，简称SVR)算法。SVM是一种解决非线性分类和回归问题的有效方法，也是一种监督学习算法。它考虑了经验风险与预期风险之间的平衡，使计算模型具有良好的预测和推广性能，已经广泛应用于各个领域。支持向量机可以对为数不多的小样本进行建模，并得到预报能力较好的模型。但应用支持向量回归方法建立氧化物双钙钛矿带隙预报模型尚未见相关文献报道。

发明内容

本发明的目的在于克服已有技术存在的不足，提供一种基于数据挖掘快速预测双钙钛矿氧化物带隙的方法，通过理论与计算预报A₂B′B″O₆型双钙钛矿材料的带隙，利用最大相关最小冗余结合支持向量机回归，通过数据挖掘方法快速得到计算结果，无需实验，方便快捷，节省人力，绿色环保。

为达到上述目的，本发明采用如下技术方案：

一种基于数据挖掘快速预测双钙钛矿氧化物带隙的方法，包括如下步骤：

1)利用计算机系统，从文献中查找A₂B′B″O₆型双钙钛矿氧化物材料的带隙值和化学式，作为数据集样本；

2)利用已收集到的原子参数和工艺参数，根据化学式生成对应的原子参数和工艺参数描述符，并在描述符生成过程中，对缺损数值的样本进行删除处理；

3)将在所述步骤1)中得到的数据集样本随机划分为训练集和测试集；