化學(xué)數(shù)據(jù)挖掘方法與應(yīng)用

1化學(xué)數(shù)據(jù)挖掘綜述
　1.1化學(xué)數(shù)據(jù)挖掘的目的和意義
　1.1.1數(shù)據(jù)挖掘與材料設(shè)計(jì)
　1.1.2數(shù)據(jù)挖掘與構(gòu)效關(guān)系
　1.1.3數(shù)據(jù)挖掘與工業(yè)優(yōu)化
　1.2化學(xué)數(shù)據(jù)挖掘方法概要
　1.3化學(xué)數(shù)據(jù)挖掘應(yīng)用進(jìn)展
　1.3.1機(jī)器學(xué)習(xí)的數(shù)學(xué)本質(zhì)
　1.3.2統(tǒng)計(jì)模型的“過(guò)擬合”問題
　1.3.3模式識(shí)別優(yōu)化算法及其改進(jìn)
　1.3.4支持向量機(jī)算法的應(yīng)用效果
　1.3.5建立綜合運(yùn)用多種算法的數(shù)據(jù)處理平臺(tái)
　參考文獻(xiàn)
2模式識(shí)別基本原理和方法
　2.1模式識(shí)別方法的基本原理和預(yù)備知識(shí)
　2.2模式識(shí)別經(jīng)典方法
　2.2.1最近鄰方法
　2.2.2主成分分析方法
　2.2.3多重判別矢量和Fisher判別矢量方法
　2.2.4偏最小二乘方法
　2.2.5非線性映照方法
　2.3模式識(shí)別應(yīng)用技術(shù)
　2.3.1最佳投影識(shí)別方法
　2.3.2超多面體建模
　2.3.3逐級(jí)投影建模方法
　2.3.4最佳投影回歸方法
　2.3.5模式識(shí)別逆投影方法
　2.4決策樹算法
　2.4.1C4.5算法
　2.4.2隨機(jī)決策樹算法
　2.4.3隨機(jī)森林算法
　參考文獻(xiàn)
3人工神經(jīng)網(wǎng)絡(luò)和遺傳算法
　3.1人工神經(jīng)網(wǎng)絡(luò)
　3.1.1反向人工神經(jīng)網(wǎng)絡(luò)
　3.1.2Kohonen自組織網(wǎng)絡(luò)
　3.2遺傳算法
　參考文獻(xiàn)
4支持向量機(jī)方法
　4.1統(tǒng)計(jì)學(xué)習(xí)理論（SLT）簡(jiǎn)介
　4.1.1背景
　4.1.2原理
　4.2支持向量分類（SVC）算法
　4.2.1線性可分情形
　4.2.2非線性可分情形
　4.3支持向量機(jī)（SVM）的核函數(shù)
　4.4支持向量回歸（SVR）方法
　4.4.1線性回歸情形
　4.4.2非線性回歸情形
　4.5支持向量機(jī)分類與回歸算法的實(shí)現(xiàn)
　4.6應(yīng)用前景
　參考文獻(xiàn)
5集成學(xué)習(xí)方法
　5.1集成學(xué)習(xí)算法概述
　5.2Boosting算法
　5.3Adaboost算法
　5.4Bagging算法
　參考文獻(xiàn)
6特征選擇方法和應(yīng)用
　6.1特征選擇研究概述
　6.2基于支持向量分類的特征選擇
　6.2.1后向浮動(dòng)搜索算法
　6.2.2用SVM?BFS進(jìn)行特征選擇
　6.3支持向量回歸的特征選擇
　6.3.1PRIFER算法
　6.3.2計(jì)算結(jié)果的評(píng)價(jià)準(zhǔn)則
　6.3.3PRIFER方法與常規(guī)計(jì)算方法的結(jié)果比較
　6.4集成學(xué)習(xí)及其特征選擇
　6.4.1個(gè)體子集的特征選擇
　6.4.2基于預(yù)報(bào)風(fēng)險(xiǎn)的特征選擇
　6.4.3PRIFEB算法
　6.4.4UCI數(shù)據(jù)集上的計(jì)算結(jié)果
　參考文獻(xiàn)
7鈣鈦礦型離子導(dǎo)體導(dǎo)電性的數(shù)據(jù)挖掘
　7.1鈣鈦礦型離子導(dǎo)體與燃料電池材料
　7.2鈣鈦礦的結(jié)構(gòu)特性
　7.3鈣鈦礦型晶體的原子參數(shù)
　7.3.1鈣鈦礦容忍因子
　7.3.2鈣鈦礦平均離子半徑
　7.3.3鈣鈦礦單位晶格邊值與臨界半徑
　7.3.4鈣鈦礦組成元素的電負(fù)性
　7.3.5鈣鈦礦平均離子極化率與所帶電荷
　7.3.6鈣鈦礦原子參數(shù)與量化參數(shù)的組合
　7.4鈣鈦礦離子導(dǎo)體數(shù)據(jù)的收集
　7.5數(shù)據(jù)集的自變量篩選
　7.5.1自變量的經(jīng)典統(tǒng)計(jì)相關(guān)性分析
　7.5.2貝葉斯網(wǎng)絡(luò)進(jìn)行變量關(guān)聯(lián)性分析
　7.5.3前進(jìn)?后退法進(jìn)行自變量篩選
　7.6多種數(shù)據(jù)挖掘方法建立原子參數(shù)?鈣鈦礦導(dǎo)電能力模型
　7.6.1PLS，BP?ANN與SVR建立的回歸模型
　7.6.2回歸模型的留一法交叉驗(yàn)證與獨(dú)立測(cè)試集驗(yàn)證
　7.6.3SVR模型的敏感性分析
　參考文獻(xiàn)
8熔鹽相圖數(shù)據(jù)庫(kù)的數(shù)據(jù)挖掘
　8.1相圖計(jì)算的意義
　8.2原子參數(shù)?模式識(shí)別方法概述
　8.3智能數(shù)據(jù)庫(kù)技術(shù)在材料科學(xué)中的應(yīng)用
　8.4熔鹽相圖智能數(shù)據(jù)庫(kù)的研究和開發(fā)
　8.5判別鹵化物體系是否形成中間化合物
　8.6白鎢礦結(jié)構(gòu)物相含稀土異價(jià)固溶體的形成規(guī)律
　8.6.1白鎢礦型物相及其異價(jià)固溶體的形成規(guī)律
　8.6.2白鎢礦型MⅠM′Ⅲ(XO4)2(X=Mo,W)物
　相及其異價(jià)固溶體的形成規(guī)律
　8.7鈣鈦礦及類鈣鈦礦結(jié)構(gòu)的物相的若干規(guī)律性
　8.7.1鈣鈦礦結(jié)構(gòu)的復(fù)鹵化物的若干規(guī)律性
　8.7.2含鈣鈦礦結(jié)構(gòu)層的夾層化合物的規(guī)律
　參考文獻(xiàn)
9鍍錫薄鋼板質(zhì)量的數(shù)據(jù)挖掘
　9.1鍍錫薄鋼板的發(fā)展
　9.2鍍錫板生產(chǎn)過(guò)程簡(jiǎn)介
　9.3鍍錫板耐蝕性能與工業(yè)生產(chǎn)軟熔條件的關(guān)系
　9.4鍍錫板耐蝕性能與實(shí)驗(yàn)室模擬軟熔條件的關(guān)系
　9.5工業(yè)生產(chǎn)中防止淬水斑產(chǎn)生的數(shù)學(xué)模型
　9.6鍍錫板淬水斑的實(shí)驗(yàn)室模擬研究
　參考文獻(xiàn)
10合成氨生產(chǎn)效益的數(shù)據(jù)挖掘
　10.1氨合成裝置簡(jiǎn)介
　10.1.1生產(chǎn)原理
　10.1.2生產(chǎn)流程
　10.1.3生產(chǎn)數(shù)據(jù)的復(fù)雜性和數(shù)據(jù)挖掘的必要性
　10.2DMOS合成氨優(yōu)化系統(tǒng)的開發(fā)
　10.2.1DMOS合成氨優(yōu)化系統(tǒng)簡(jiǎn)介
　10.2.2DMOS合成氨優(yōu)化系統(tǒng)離線版軟件
　10.2.3DMOS合成氨優(yōu)化系統(tǒng)在線版軟件
　10.2.4DMOS合成氨優(yōu)化系統(tǒng)優(yōu)化生產(chǎn)實(shí)施步驟
　10.2.5DMOS合成氨優(yōu)化系統(tǒng)主要特點(diǎn)
　10.3氨合成裝置生產(chǎn)優(yōu)化模型的研究
　10.3.1數(shù)據(jù)集
　10.3.21號(hào)合成塔生產(chǎn)優(yōu)化數(shù)學(xué)模型
　10.4討論和結(jié)論
　參考文獻(xiàn)
11分子結(jié)構(gòu)性質(zhì)關(guān)系的數(shù)據(jù)挖掘
　11.1偶氮染料最大吸收波長(zhǎng)的支持向量回歸模型
　11.1.1分子結(jié)構(gòu)特征參數(shù)的計(jì)算和篩選
　11.1.2支持向量回歸的計(jì)算結(jié)果
　11.1.3討論
　11.2胍類化合物Na/H交換抑制活性的支持向量分類模型
　11.2.1特征參數(shù)的計(jì)算與篩選
　11.2.2支持向量分類的計(jì)算結(jié)果
　11.2.3與其他方法的比較
　11.3抗艾滋病藥物HEPT活性的支持向量分類模型
　11.3.1特征參數(shù)的計(jì)算與篩選
　11.3.2支持向量分類的計(jì)算結(jié)果
　11.3.3與其他方法的比較
　11.4三唑類化合物分子篩選的最佳投影識(shí)別模型
　11.4.1特征參數(shù)的計(jì)算和篩選
　11.4.2特征參數(shù)間的共線性檢查
　11.4.3OPR法的計(jì)算
　11.4.4OPR法的測(cè)試結(jié)果
　11.4.5結(jié)論
　參考文獻(xiàn)
12HIV?1蛋白酶特異性位點(diǎn)的數(shù)據(jù)挖掘
　12.1數(shù)據(jù)集準(zhǔn)備
　12.2mRMR方法和特征選取
　12.3不同的特征子集建模預(yù)報(bào)能力比較
　12.4特征分析和結(jié)論
　參考文獻(xiàn)
13蛋白質(zhì)結(jié)構(gòu)及功能類型預(yù)測(cè)
　13.1用集成學(xué)習(xí)方法預(yù)測(cè)蛋白質(zhì)的亞細(xì)胞定位
　13.1.1蛋白質(zhì)亞細(xì)胞定位的生物學(xué)基礎(chǔ)及研究現(xiàn)狀
　13.1.2蛋白質(zhì)亞細(xì)胞定位數(shù)據(jù)集以及特征參數(shù)的提取
　13.1.3亞細(xì)胞定位預(yù)測(cè)中模型參數(shù)的選擇與模型的驗(yàn)證
　13.1.4分析與討論
　13.2蛋白質(zhì)結(jié)構(gòu)類型的集成學(xué)習(xí)方法預(yù)測(cè)
　13.2.1蛋白質(zhì)結(jié)構(gòu)類型簡(jiǎn)介及研究現(xiàn)狀
　13.2.2數(shù)據(jù)集以及特征參數(shù)的提取
　13.2.3預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)類型時(shí)的模型參數(shù)選擇與模型驗(yàn)證
　13.2.4分析與討論
　13.3膜蛋白類型的集成學(xué)習(xí)方法預(yù)測(cè)
　13.3.1膜蛋白簡(jiǎn)介及計(jì)算預(yù)測(cè)研究現(xiàn)狀
　13.3.2膜蛋白預(yù)測(cè)的數(shù)據(jù)集以及特征參數(shù)的提取
　13.3.3預(yù)測(cè)膜蛋白質(zhì)類型的模型參數(shù)選擇與模型驗(yàn)證
　13.3.4預(yù)測(cè)膜蛋白質(zhì)類型的模型變量分析
　13.4蛋白質(zhì)亞細(xì)胞定位和膜蛋白類型預(yù)報(bào)的在線Web服務(wù)
　參考文獻(xiàn)
附錄1“HyperMiner數(shù)據(jù)挖掘軟件”下載和應(yīng)用說(shuō)明
　一、軟件簡(jiǎn)介和下載方法
　二、應(yīng)用案例：V?PTC材料最佳配方及最佳工藝條件的探索
附錄2第6章所用的數(shù)據(jù)集
　一、大腦膠質(zhì)瘤數(shù)據(jù)集
　二、多元校正數(shù)據(jù)集
　三、基因芯片數(shù)據(jù)集
參考文獻(xiàn)