基于机器学习与多尺度特征的金属氧化物性能预测

论文摘要

材料信息学是信息学技术在材料学中的应用,通过材料信息数据库和集成材料设计平台对材料的数据进行分析和预测。通过应用不同的机器学习(回归分析)方法和不同的特征选择算法,从众多的多尺度特征集中选择最优的特征子集可以预测金属氧化物的物理特性,归纳出适合材料不同特性的机器学习模型。分析结果表明,特征选择方法可以提升机器学习模型的性能,为进一步开发更有效的材料性能预测方法提供参考。

论文目录

• 1 实验方法
•   1.1 数据集的准备
•   1.2 特征选择方法
•     1.2.1 VT方法
•     1.2.2 UFS方法
•     1.2.3 LASSO方法[17]
•   1.3 回归模型
•     1.3.1 线性回归模型
•     1.3.2 随机森林回归模型
•     1.3.3 支持向量机回归模型
• 2 结果与讨论
•   2.1 预测性能指标
•   2.2 模型预测结果
• 3 结论

文章来源

类型: 期刊论文

作者: 李想,曹卓,但雅波,牛程程,胡建军

关键词: 材料信息学,机器学习,多尺度特征,特征选择,材料性能预测

来源: 化工新型材料 2019年09期

年度: 2019

分类: 工程科技Ⅰ辑

专业: 材料科学

单位: 贵州大学机械工程学院,贵州大学现代制造技术教育部重点实验室,美国南卡罗来纳大学计算机科学与工程系

基金: 国家自然科学基金项目(51741101)

分类号: TB302

页码: 146-150

总页数: 5

文件大小: 174K

下载量: 284