基于数据挖掘的液晶材料配方分析方法及装置与流程

本发明涉及一种基于数据挖掘的液晶材料配方分析方法及装置，属于配方分析。

背景技术：

1、目前，液晶材料在显示方面体现出来了巨大的前景和市场。手机屏幕到电视屏幕都几乎被液晶材料占据。但对于液晶材料来说，单一液晶材料无法满足人们对于性质等的需求，因此需要把很多种液晶材料组合起来才能达到特定的性质。

2、现阶段，在混晶的设计策略方面，常见的方式主要是通过不同组分的混合来达到最后性质的要求，这里面需要把不同的液晶材料通过一定的步骤进行混合，并且在设计混晶性质指标之前需要对单体的性质全面了解。在实际的应用过程中，单体的性质测量往往跟单体的形态，测试环境，测试设备以及母体溶液组分有关。为了确定单体在混晶制备过程中的作用，往往需要对单体的性质进行确定，但有的性质不好直接测，所以需要对单体的性质进行预测，以保证在后续的配方使用中能够较为方便的利用。

技术实现思路

1、为此，本发明提供一种基于数据挖掘的液晶材料配方分析方法及装置，解决传统技术单体性质预测的准确性差，难以用于进行有效的混晶配方推荐的问题。

2、为了实现上述目的，本发明提供如下技术方案：基于数据挖掘的液晶材料配方分析方法，包括：

3、获取已有的液晶材料初始配方配比数据和配方性质数据，将所述初始配方配比数据和所述配方性质数据整理成初始结构化数据表；对所述初始结构化数据表中的所述初始配方配比数据和所述配方性质数据进行数据清洗，得到数据清洗后的有效结构化数据表；

4、采用主成分分析法对所述有效结构化数据表中的原始配比数据进行降维处理，得到降维后的结构化数据表；对降维数据和预测数据进行匹配，得到含有指定单体的混晶的性质数据，并删除组分为0的单体以形成训练数据集；

5、通过训练数据集采用随机森林回归算法构建单体性质预测模型，通过所述单体性质预测模型建立单体性质和组分之间的映射关系，利用单体性质和组分之间的映射关系推测单体缺失性质的数值。

6、作为基于数据挖掘的液晶材料配方分析方法优选方案，对所述初始结构化数据表中的所述初始配方配比数据和所述配方性质数据进行数据清洗包括：

7、剔除同一原料出现次数超过一次的产品样本；

8、剔除重复的产品样本；

9、剔除原料配比之和不等于100%的产品样本。

10、作为基于数据挖掘的液晶材料配方分析方法优选方案，对降维数据和预测数据进行匹配过程中，从数据库里匹配含有指定单体的配方，将匹配得到的所有配方放在一个新建的数据表中，再删除配方中所有占比为0的单体，删除性质中不存在数值的列。

11、作为基于数据挖掘的液晶材料配方分析方法优选方案，采用随机森林回归算法构建单体性质预测模型过程中，随机森林回归算法的参数设置为：

12、决策树个数n_estimators=200, 决策树最大深度max_depth=4，最大特征数为3，内部节点再划分所需最小样本数为min_samples_split=2，叶子节点最少样本数min_samples_leaf=1。

13、作为基于数据挖掘的液晶材料配方分析方法优选方案，还包括配方预测，配方预测的步骤包括：

14、获取指定单体名称及设定的指标值，设定的指标值处于一个由最小值和最大值构成的范围；

15、将设定的指标值的所处范围作为每一个指标的约束条件，采用多指标贝叶斯优化算法对配方数据集进行处理；

16、对输入的配方数据集中的数据进行编码，转换为tensor张量并将历史数据视为先验知识；

17、构建高斯回归过程作为代理模型，采集函数设置为ei，以推荐出待验证配方。

18、作为基于数据挖掘的液晶材料配方分析方法优选方案，所述配方数据集中包括配方编号，每个配方中包含的各项单体，各项单体在指定配方的占比，及每个配方所对应的指标名称和数值。

19、本发明还提供一种基于数据挖掘的液晶材料配方分析装置，包括：

20、结构化数据表处理模块，用于获取已有的液晶材料初始配方配比数据和配方性质数据，将所述初始配方配比数据和所述配方性质数据整理成初始结构化数据表；对所述初始结构化数据表中的所述初始配方配比数据和所述配方性质数据进行数据清洗，得到数据清洗后的有效结构化数据表；

21、训练数据集获取模块，用于采用主成分分析法对所述有效结构化数据表中的原始配比数据进行降维处理，得到降维后的结构化数据表；对降维数据和预测数据进行匹配，得到含有指定单体的混晶的性质数据，并删除组分为0的单体以形成训练数据集；

22、单体性质预测模块，用于通过训练数据集采用随机森林回归算法构建单体性质预测模型，通过所述单体性质预测模型建立单体性质和组分之间的映射关系，利用单体性质和组分之间的映射关系推测单体缺失性质的数值。

23、作为基于数据挖掘的液晶材料配方分析装置优选方案，所述结构化数据表处理模块中，对所述初始结构化数据表中的所述初始配方配比数据和所述配方性质数据进行数据清洗包括：

24、剔除同一原料出现次数超过一次的产品样本；

25、剔除重复的产品样本；

26、剔除原料配比之和不等于100%的产品样本。

27、作为基于数据挖掘的液晶材料配方分析装置优选方案，所述训练数据集获取模块中，从数据库里匹配含有指定单体的配方，将匹配得到的所有配方放在一个新建的数据表中，再删除配方中所有占比为0的单体，删除性质中不存在数值的列；

28、所述单体性质预测模块中，随机森林回归算法的参数设置为：

29、决策树个数n_estimators=200, 决策树最大深度max_depth=4，最大特征数为3，内部节点再划分所需最小样本数为min_samples_split=2，叶子节点最少样本数min_samples_leaf=1。

30、作为基于数据挖掘的液晶材料配方分析装置优选方案，还包括配方预测模块，所述配方预测模块包括：

31、指标值设定子模块，用于获取指定单体名称及设定的指标值，设定的指标值处于一个由最小值和最大值构成的范围；

32、约束条件设置子模块，用于将设定的指标值的所处范围作为每一个指标的约束条件，采用多指标贝叶斯优化算法对配方数据集进行处理；

33、输入数据预处理子模块，用于对输入的配方数据集中的数据进行编码，转换为tensor张量，并将历史数据视为先验知识；

34、代理模型推荐子模块，用于构建高斯回归过程作为代理模型，采集函数设置为ei，以推荐出待验证配方；

35、所述配方数据集中包括配方编号，每个配方中包含的各项单体，各项单体在指定配方的占比，及每个配方所对应的指标名称和数值。

36、本发明具有如下优点：获取已有的液晶材料初始配方配比数据和配方性质数据，将所述初始配方配比数据和所述配方性质数据整理成初始结构化数据表；对所述初始结构化数据表中的所述初始配方配比数据和所述配方性质数据进行数据清洗，得到数据清洗后的有效结构化数据表；采用主成分分析法对所述有效结构化数据表中的原始配比数据进行降维处理，得到降维后的结构化数据表；对降维数据和预测数据进行匹配，得到含有指定单体的混晶的性质数据，并删除组分为0的单体以形成训练数据集；通过训练数据集采用随机森林回归算法构建单体性质预测模型，通过所述单体性质预测模型建立单体性质和组分之间的映射关系，利用单体性质和组分之间的映射关系推测单体缺失性质的数值。本发明能够实现缺失单体性质的快速推测，为后续配方推测提供依据；能够极大地减少实验量，同时能给实验优化提供方向。