机器学习与自由电子激光的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第10-15页 |
| 1.1 研究内容发展史 | 第10-13页 |
| 1.1.1 自由电子激光发展史 | 第10-11页 |
| 1.1.2 晶体结构学发展史 | 第11-12页 |
| 1.1.3 机器学习发展史 | 第12-13页 |
| 1.2 研究内容及意义及组织结构 | 第13-15页 |
| 1）用机器学习预测自由电子激光输出特性 | 第13-14页 |
| 2）在晶体结构学中用机器学习进行数据筛选 | 第14页 |
| 3）用角相关研究生物颗粒精细结构 | 第14-15页 |
| 第2章 机器学习预测自由电子激光输出特性 | 第15-30页 |
| 2.1 实验背景 | 第15-17页 |
| 2.1.1 自由电子激光原理简介 | 第15页 |
| 2.1.2 自由电子激光的不稳定性 | 第15-17页 |
| 2.2 实验方法 | 第17-20页 |
| 2.2.1 全连接神经网络 | 第17-19页 |
| 2.2.2 支持向量机 | 第19-20页 |
| 2.2.3 线性模型与二次模型 | 第20页 |
| 2.3 实验过程与数据 | 第20-21页 |
| 2.4 实验结果与分析 | 第21-28页 |
| 2.4.1 预测单脉冲光子能量 | 第21-22页 |
| 2.4.2 预测单脉冲光谱 | 第22-25页 |
| 2.4.3 预测双脉冲时延 | 第25页 |
| 2.4.4 预测双脉冲光谱 | 第25-28页 |
| 2.5 总结 | 第28-30页 |
| 第3章 在晶体结构学中用机器学习进行数据筛选 | 第30-43页 |
| 3.1 实验背景 | 第30-31页 |
| 3.1.1 晶体学简介 | 第30页 |
| 3.1.2 串行晶体学中的大数据 | 第30-31页 |
| 3.2 实验方法 | 第31-34页 |
| 3.2.1 卷积神经网络 | 第32-33页 |
| 3.2.2 t-分布式随机邻域嵌入 | 第33-34页 |
| 3.2.3 图像处理方法 | 第34页 |
| 3.3 实验过程 | 第34-40页 |
| 3.3.1 数据准备 | 第35页 |
| 3.3.2 实验过程 | 第35-37页 |
| 3.3.3 实验结果 | 第37-40页 |
| 3.4 总结 | 第40-43页 |
| 第4章 用角相关研究生物颗粒精细结构 | 第43-56页 |
| 4.1 实验背景 | 第43-44页 |
| 4.2 实验原理 | 第44页 |
| 4.3 实验过程 | 第44-55页 |
| 4.4 总结 | 第55-56页 |
| 第5章 结论与展望 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-64页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第64页 |
