[发明专利]一种基于神经网络的质子在器件中能量沉积预测方法

权利要求书

1.一种基于神经网络的质子在器件中能量沉积预测方法，其特征在于，包括如下步骤：

步骤1：构建质子在器件中能量沉积的数据库，并将数据库中的数据分为训练集数据和测试集数据；

步骤2：对数据库中所有数据进行预处理；

步骤3：建立以预处理后的粒子能量、粒子数量以及粒子入射方向三个变量作为输入，以预处理后的能量沉积为输出的神经网络模型；

步骤4：确定神经网络结构，采用训练集数据进行训练，训练完成后输出模型在测试集数据的误差与准确率；

步骤5：选取训练好的网络模型文件，读取需要预测的数据集进行预测，得到器件中的能量沉积。

2.根据权利要求1所述的基于神经网络的质子在器件中能量沉积预测方法，其特征在于，所述步骤1中，所述数据库中的数据包括对目标系统的能量沉积采用实验方法得到的数据或对目标系统的能量沉积采用数值模拟仿真方法得到的数据，并将数据库中的数据按照8：2的比例分为训练集数据和测试集数据。

3.根据权利要求1所述的基于神经网络的质子在器件中能量沉积预测方法，其特征在于，所述步骤2中，对数据进行的预处理包括：将粒子能量、粒子数量、粒子入射方向以及能量沉积分别进行数据的归一化处理。

4.根据权利要求1所述的基于神经网络的质子在器件中能量沉积预测方法，其特征在于，所述步骤3中，预测能量沉积的所述神经网络模型采用BP神经网络，所述BP神经网络采用全联结结构的4层前馈神经网络，每层神经元个数为3、256、256、1，预处理后的粒子能量、粒子数量、粒子入射方向作为输入，预处理后的能量沉积作为输出。

5.根据权利要求1所述的基于神经网络的质子在器件中能量沉积预测方法，其特征在于，所述步骤4中，当准确率达到95％以上时，保存网络模型文件；当准确率低于95％时，调节神经网络模型的学习率、迭代次数、神经元数量后继续优化，直至准确率提高至95％以上。