高效准确的机器学习模型是高通量筛选优质含能分子的基础,为此设计了完全通过结构式便可输出多项含能材料性质的多输入多输出机器学习模型(MIMO-ML)。基于478个含能分子数据集进行模型构建,通过筛选得到AMID_h、ATTS1are、OB三个优秀描...高效准确的机器学习模型是高通量筛选优质含能分子的基础,为此设计了完全通过结构式便可输出多项含能材料性质的多输入多输出机器学习模型(MIMO-ML)。基于478个含能分子数据集进行模型构建,通过筛选得到AMID_h、ATTS1are、OB三个优秀描述符,并在此基础上建立了自定义描述符集。结果表明,随机森林(RF)及多层感知机(MLP)适合被应用于含能材料性能预测多输出模型构建,输出性质包括爆速D(MAE=256 m/s),热分解温度T_(d)(MAE=34.7℃),撞击感度ln H 50(MAE=0.63)。同时,MLP模型相比于RF模型对于特征数量更敏感,且利用更少的特征可得到与RF精度相似的模型,表明MIMO-ML模型能够快速且准确地识别高性能含能材料,可应用于含能分子的设计与快速筛选。展开更多
为了提高三维空间位置定位算法的性能和准确性,提出了以3个基站定位原理为基础的基于几何约束关系的ML模型.通过设计基站位置、到达时间(time of arrival,TOA)数值、手持终端位置之间的几何关系,估计得到手持终端的全部可能位置,通过最...为了提高三维空间位置定位算法的性能和准确性,提出了以3个基站定位原理为基础的基于几何约束关系的ML模型.通过设计基站位置、到达时间(time of arrival,TOA)数值、手持终端位置之间的几何关系,估计得到手持终端的全部可能位置,通过最大似然算法,以最大可能的估计值确定为定位结果.经过仿真计算验证了算法能有效抑制非视距环境(non-line of Sight,NLOS)误差和测量误差,并且能够得到最佳估计值,具有计算量小、精度高等优点.仿真结果表明了该方法的有效性,在各类室内定位系统中具有很强的实用性.展开更多
文摘高效准确的机器学习模型是高通量筛选优质含能分子的基础,为此设计了完全通过结构式便可输出多项含能材料性质的多输入多输出机器学习模型(MIMO-ML)。基于478个含能分子数据集进行模型构建,通过筛选得到AMID_h、ATTS1are、OB三个优秀描述符,并在此基础上建立了自定义描述符集。结果表明,随机森林(RF)及多层感知机(MLP)适合被应用于含能材料性能预测多输出模型构建,输出性质包括爆速D(MAE=256 m/s),热分解温度T_(d)(MAE=34.7℃),撞击感度ln H 50(MAE=0.63)。同时,MLP模型相比于RF模型对于特征数量更敏感,且利用更少的特征可得到与RF精度相似的模型,表明MIMO-ML模型能够快速且准确地识别高性能含能材料,可应用于含能分子的设计与快速筛选。
文摘为了提高三维空间位置定位算法的性能和准确性,提出了以3个基站定位原理为基础的基于几何约束关系的ML模型.通过设计基站位置、到达时间(time of arrival,TOA)数值、手持终端位置之间的几何关系,估计得到手持终端的全部可能位置,通过最大似然算法,以最大可能的估计值确定为定位结果.经过仿真计算验证了算法能有效抑制非视距环境(non-line of Sight,NLOS)误差和测量误差,并且能够得到最佳估计值,具有计算量小、精度高等优点.仿真结果表明了该方法的有效性,在各类室内定位系统中具有很强的实用性.
