化學數(shù)據(jù)挖掘方法與應用

1化學數(shù)據(jù)挖掘綜述
　1.1化學數(shù)據(jù)挖掘的目的和意義
　1.1.1數(shù)據(jù)挖掘與材料設計
　1.1.2數(shù)據(jù)挖掘與構(gòu)效關系
　1.1.3數(shù)據(jù)挖掘與工業(yè)優(yōu)化
　1.2化學數(shù)據(jù)挖掘方法概要
　1.3化學數(shù)據(jù)挖掘應用進展
　1.3.1機器學習的數(shù)學本質(zhì)
　1.3.2統(tǒng)計模型的“過擬合”問題
　1.3.3模式識別優(yōu)化算法及其改進
　1.3.4支持向量機算法的應用效果
　1.3.5建立綜合運用多種算法的數(shù)據(jù)處理平臺
　參考文獻
2模式識別基本原理和方法
　2.1模式識別方法的基本原理和預備知識
　2.2模式識別經(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模式識別應用技術
　2.3.1最佳投影識別方法
　2.3.2超多面體建模
　2.3.3逐級投影建模方法
　2.3.4最佳投影回歸方法
　2.3.5模式識別逆投影方法
　2.4決策樹算法
　2.4.1C4.5算法
　2.4.2隨機決策樹算法
　2.4.3隨機森林算法
　參考文獻
3人工神經(jīng)網(wǎng)絡和遺傳算法
　3.1人工神經(jīng)網(wǎng)絡
　3.1.1反向人工神經(jīng)網(wǎng)絡
　3.1.2Kohonen自組織網(wǎng)絡
　3.2遺傳算法
　參考文獻
4支持向量機方法
　4.1統(tǒng)計學習理論（SLT）簡介
　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（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支持向量機分類與回歸算法的實現(xiàn)
　4.6應用前景
　參考文獻
5集成學習方法
　5.1集成學習算法概述
　5.2Boosting算法
　5.3Adaboost算法
　5.4Bagging算法
　參考文獻
6特征選擇方法和應用
　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后向浮動搜索算法
　6.2.2用SVM?BFS進行特征選擇
　6.3支持向量回歸的特征選擇
　6.3.1PRIFER算法
　6.3.2計算結(jié)果的評價準則
　6.3.3PRIFER方法與常規(guī)計算方法的結(jié)果比較
　6.4集成學習及其特征選擇
　6.4.1個體子集的特征選擇
　6.4.2基于預報風險的特征選擇
　6.4.3PRIFEB算法
　6.4.4UCI數(shù)據(jù)集上的計算結(jié)果
　參考文獻
7鈣鈦礦型離子導體導電性的數(shù)據(jù)挖掘
　7.1鈣鈦礦型離子導體與燃料電池材料
　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)計相關性分析
　7.5.2貝葉斯網(wǎng)絡進行變量關聯(lián)性分析
　7.5.3前進?后退法進行自變量篩選
　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證與獨立測試集驗證
　7.6.3SVR模型的敏感性分析
　參考文獻
8熔鹽相圖數(shù)據(jù)庫的數(shù)據(jù)挖掘
　8.1相圖計算的意義
　8.2原子參數(shù)?模式識別方法概述
　8.3智能數(shù)據(jù)庫技術在材料科學中的應用
　8.4熔鹽相圖智能數(shù)據(jù)庫的研究和開發(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)物相含稀土異價固溶體的形成規(guī)律
　8.6.1白鎢礦型物相及其異價固溶體的形成規(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
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)過程簡介
　9.3鍍錫板耐蝕性能與工業(yè)生產(chǎn)軟熔條件的關系
　9.4鍍錫板耐蝕性能與實驗室模擬軟熔條件的關系
　9.5工業(yè)生產(chǎn)中防止淬水斑產(chǎn)生的數(shù)學模型
　9.6鍍錫板淬水斑的實驗室模擬研究
　參考文獻
10合成氨生產(chǎn)效益的數(shù)據(jù)挖掘
　10.1氨合成裝置簡介
　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)實施步驟
　10.2.5DMOS合成氨優(yōu)化系統(tǒng)主要特點
　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號合成塔生產(chǎn)優(yōu)化數(shù)學模型
　10.4討論和結(jié)論
　參考文獻
11分子結(jié)構(gòu)性質(zhì)關系的數(shù)據(jù)挖掘
　11.1偶氮染料最大吸收波長的支持向量回歸模型
　11.1.1分子結(jié)構(gòu)特征參數(shù)的計算和篩選
　11.1.2支持向量回歸的計算結(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)的計算與篩選
　11.2.2支持向量分類的計算結(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)的計算與篩選
　11.3.2支持向量分類的計算結(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別模型
　11.4.1特征參數(shù)的計算和篩選
　11.4.2特征參數(shù)間的共線性檢查
　11.4.3OPR法的計算
　11.4.4OPR法的測試結(jié)果
　11.4.5結(jié)論
　參考文獻
12HIV?1蛋白酶特異性位點的數(shù)據(jù)挖掘
　12.1數(shù)據(jù)集準備
　12.2mRMR方法和特征選取
　12.3不同的特征子集建模預報能力比較
　12.4特征分析和結(jié)論
　參考文獻
13蛋白質(zhì)結(jié)構(gòu)及功能類型預測
　13.1用集成學習方法預測蛋白質(zhì)的亞細胞定位
　13.1.1蛋白質(zhì)亞細胞定位的生物學基礎及研究現(xiàn)狀
　13.1.2蛋白質(zhì)亞細胞定位數(shù)據(jù)集以及特征參數(shù)的提取
　13.1.3亞細胞定位預測中模型參數(shù)的選擇與模型的驗證
　13.1.4分析與討論
　13.2蛋白質(zhì)結(jié)構(gòu)類型的集成學習方法預測
　13.2.1蛋白質(zhì)結(jié)構(gòu)類型簡介及研究現(xiàn)狀
　13.2.2數(shù)據(jù)集以及特征參數(shù)的提取
　13.2.3預測蛋白質(zhì)結(jié)構(gòu)類型時的模型參數(shù)選擇與模型驗證
　13.2.4分析與討論
　13.3膜蛋白類型的集成學習方法預測
　13.3.1膜蛋白簡介及計算預測研究現(xiàn)狀
　13.3.2膜蛋白預測的數(shù)據(jù)集以及特征參數(shù)的提取
　13.3.3預測膜蛋白質(zhì)類型的模型參數(shù)選擇與模型驗證
　13.3.4預測膜蛋白質(zhì)類型的模型變量分析
　13.4蛋白質(zhì)亞細胞定位和膜蛋白類型預報的在線Web服務
　參考文獻
附錄1“HyperMiner數(shù)據(jù)挖掘軟件”下載和應用說明
　一、軟件簡介和下載方法
　二、應用案例：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