1.神经网络辅助化学材料合成的方法，其特征在于，包括以下步骤：步骤1，采集化学反应数据，去除无用属性和非数字字段，并进行独热编码；

每条化学反应数据均包含如下属性特征：化学分子名称、化学分子物理化学性质、原子特性、反应条件、反应物摩尔比和反应产物结晶数据；

步骤2，保留相关系数在区间[‑0.9，0.9]内的属性特征，去除相关系数在区间[‑1，‑

0.9)和区间(0.9，1]的冗余数据；

步骤3，对化学反应数据进行特征工程和标准化处理得到初始数据集；

步骤4，使用多种降维算法分别对初始数据集进行降维，采用SVM模型筛选出降维效果最好的算法，并将其降维结果作为数据集；

步骤5，提取数据集中属性特征的局部特征和全局特征，将两者拼接后得到的融合特征作为神经网络的输入；

步骤6，搭建神经网络架构，使用融合特征训练得到化学材料结晶预测模型；

步骤7，将待预测化学反应数据输入化学材料结晶预测模型，对其结晶情况进行预测。

2.根据权利要求1所述的神经网络辅助化学材料合成的方法，其特征在于，所述步骤2中使用公式(1)计算各条化学反应数据中各属性特征的相关系数：其中ρX,Y为属性特征X和属性特征Y的相关系数，cov(X,Y)＝E[(X‑μX)(Y‑μY)]为属性特征X和属性特征Y之间的协方差，σX、σY分别为属性特征X、属性特征Y的标准差，μX、μY分别为属性特征X、属性特征Y的均值。

3.根据权利要求1所述的神经网络辅助化学材料合成的方法，其特征在于，所述步骤3中的特征工程包括清洗异常数据、处理缺失值、数据变换、单个特征归一化处理、多特征的降维和选择，数据标准化处理包括数据缩放和无量纲化。

4.根据权利要求1所述的神经网络辅助化学材料合成的方法，其特征在于，所述步骤4的具体过程如下：步骤41，分别使用主成分分析、线性判别分析、随机森林、Adaboost算法和融合的随机森林‑Adaboost算法对初始数据集进行降维处理；

步骤42，将各降维结果输入支持向量机进行结晶度预测，根据结晶度预测的准确率大小筛选出降维效果较好的方法，将其降维结果作为数据集。

5.根据权利要求1所述的神经网络辅助化学材料合成的方法，其特征在于，所述步骤5中使用滑动窗口提取属性特征的局部特征，使用文本卷积神经网络提取属性特征的全局特征，对局部特征和全局特征进行拼接操作得到融合特征。

6.根据权利要求1所述的神经网络辅助化学材料合成的方法，其特征在于，所述步骤6中化学材料结晶预测模型由两组卷积层、池化层、全连接层、dropout层、全连接和激活层组成，卷积层中卷积核的大小为3×3，步长为1，填充方式为same，通道数为融合特征的数量，池化层中池化窗口的大小为2×2。