化學數據挖掘方法與應用

1化學數據挖掘綜述
　1.1化學數據挖掘的目的和意義
　1.1.1數據挖掘與材料設計
　1.1.2數據挖掘與構效關系
　1.1.3數據挖掘與工業(yè)優(yōu)化
　1.2化學數據挖掘方法概要
　1.3化學數據挖掘應用進展
　1.3.1機器學習的數學本質
　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據處理平臺
　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人工神經網絡和遺傳算法
　3.1人工神經網絡
　3.1.1反向人工神經網絡
　3.1.2Kohonen自組織網絡
　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
　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
　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計算結果的評價準則
　6.3.3PRIFER方法與常規(guī)計算方法的結果比較
　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數據集上的計算結果
　參考文獻
7鈣鈦礦型離子導體導電性的數據挖掘
　7.1鈣鈦礦型離子導體與燃料電池材料
　7.2鈣鈦礦的結構特性
　7.3鈣鈦礦型晶體的原子參數
　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鈣鈦礦原子參數與量化參數的組合
　7.4鈣鈦礦離子導體數據的收集
　7.5數據集的自變量篩選
　7.5.1自變量的經典統(tǒng)計相關性分析
　7.5.2貝葉斯網絡進行變量關聯性分析
　7.5.3前進?后退法進行自變量篩選
　7.6多種數據挖掘方法建立原子參數?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熔鹽相圖數據庫的數據挖掘
　8.1相圖計算的意義
　8.2原子參數?模式識別方法概述
　8.3智能數據庫技術在材料科學中的應用
　8.4熔鹽相圖智能數據庫的研究和開發(fā)
　8.5判別鹵化物體系是否形成中間化合物
　8.6白鎢礦結構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構的物相的若干規(guī)律性
　8.7.1鈣鈦礦結構的復鹵化物的若干規(guī)律性
　8.7.2含鈣鈦礦結構層的夾層化合物的規(guī)律
　參考文獻
9鍍錫薄鋼板質量的數據挖掘
　9.1鍍錫薄鋼板的發(fā)展
　9.2鍍錫板生產過程簡介
　9.3鍍錫板耐蝕性能與工業(yè)生產軟熔條件的關系
　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)生產中防止淬水斑產生的數學模型
　9.6鍍錫板淬水斑的實驗室模擬研究
　參考文獻
10合成氨生產效益的數據挖掘
　10.1氨合成裝置簡介
　10.1.1生產原理
　10.1.2生產流程
　10.1.3生產數據的復雜性和數據挖掘的必要性
　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氨合成裝置生產優(yōu)化模型的研究
　10.3.1數據集
　10.3.21號合成塔生產優(yōu)化數學模型
　10.4討論和結論
　參考文獻
11分子結構性質關系的數據挖掘
　11.1偶氮染料最大吸收波長的支持向量回歸模型
　11.1.1分子結構特征參數的計算和篩選
　11.1.2支持向量回歸的計算結果
　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特征參數的計算與篩選
　11.2.2支持向量分類的計算結果
　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特征參數的計算與篩選
　11.3.2支持向量分類的計算結果
　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特征參數的計算和篩選
　11.4.2特征參數間的共線性檢查
　11.4.3OPR法的計算
　11.4.4OPR法的測試結果
　11.4.5結論
　參考文獻
12HIV?1蛋白酶特異性位點的數據挖掘
　12.1數據集準備
　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特征分析和結論
　參考文獻
13蛋白質結構及功能類型預測
　13.1用集成學習方法預測蛋白質的亞細胞定位
　13.1.1蛋白質亞細胞定位的生物學基礎及研究現狀
　13.1.2蛋白質亞細胞定位數據集以及特征參數的提取
　13.1.3亞細胞定位預測中模型參數的選擇與模型的驗證
　13.1.4分析與討論
　13.2蛋白質結構類型的集成學習方法預測
　13.2.1蛋白質結構類型簡介及研究現狀
　13.2.2數據集以及特征參數的提取
　13.2.3預測蛋白質結構類型時的模型參數選擇與模型驗證
　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狀
　13.3.2膜蛋白預測的數據集以及特征參數的提取
　13.3.3預測膜蛋白質類型的模型參數選擇與模型驗證
　13.3.4預測膜蛋白質類型的模型變量分析
　13.4蛋白質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數據挖掘軟件”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章所用的數據集
　一、大腦膠質瘤數據集
　二、多元校正數據集
　三、基因芯片數據集
參考文獻