中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
材料數據挖掘方法與應用 版權信息
- ISBN：9787122405975
- 條形碼：9787122405975 ; 978-7-122-40597-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
材料數據挖掘方法與應用 本書特色
讀者可以免費利用作者團隊自主開發的OCPMDM在線計算平臺，構建并分享材料數據挖掘模型，用于虛擬樣本的高通量篩選，加快新材料研發進程。
材料數據挖掘方法與應用 內容簡介
《材料數據挖掘方法與應用》詳細介紹了材料數據挖掘的研究背景、常用方法、具體步驟和作者團隊自主開發的在線計算平臺OCPMDM（online computation platform for materials data mining，http:/materials-data-mining.com/ocpmdm/）的應用，重點闡述了OCPMDM在線計算平臺在材料設計（鈣鈦礦型材料、染料敏化太陽能電池材料等）和化工優化（氟橡膠工藝優化等）中的應用。本書方便讀者學以致用，讀者可以免費利用OCPMDM軟件平臺，構建并分享材料數據挖掘模型，用于虛擬樣本的高通量篩選，加快新材料研發進程。 本書可供材料科學與工程等相關領域科研人員和工程技術人員閱讀，亦可作為高等院校材料數據挖掘研究方向師生的教學參考書。
材料數據挖掘方法與應用 目錄
第1章 材料數據挖掘綜述 001
1.1 材料數據挖掘的研究背景 001
1.1.1 材料數據挖掘與材料設計 004
1.1.2 材料數據挖掘與材料信息學 006
1.1.3 材料數據挖掘與材料基因組工程 008
1.1.4 材料數據挖掘與材料工業優化 011
1.2 材料數據挖掘方法概要 012
1.2.1 材料數據挖掘問題的數學表達 013
1.2.2 材料數據挖掘模型的“過擬合”和“欠擬合”問題 013
1.2.3 材料數據挖掘的常用方法 015
1.2.4 材料數據挖掘的基本流程 019
1.3 材料數據挖掘應用進展 021
1.4 材料數據挖掘發展趨勢 023
參考文獻 025
第2章 回歸分析 029
2.1 回歸分析方法概論 029
2.2 線性回歸 030
2.2.1 一元線性回歸 030
2.2.2 多元線性回歸 032
2.2.3 違背基本假設的情況與處理 033
2.3 嶺回歸 034
2.4 套索算法 036
2.5 偏*小二乘回歸 038
2.6 邏輯回歸 040
參考文獻 042
第3章 統計模式識別 043
3.1 統計模式識別概論 043
3.2 *近鄰 045
3.3 主成分分析 046
3.4 多重判別矢量和費歇爾判別矢量 048
3.5 非線性映照 052
3.6 模式識別應用技術 053
3.6.1 *佳投影識別 054
3.6.2 超多面體建模 056
3.6.3 逐級投影建模 056
3.6.4 *佳投影回歸 058
3.6.5 模式識別逆投影 061
參考文獻 062
第4章 決策樹 063
4.1 決策樹概論 063
4.2 決策樹 064
4.3 隨機決策樹 066
4.4 隨機森林 067
4.5 梯度提升決策樹 069
4.6 極限梯度提升算法 071
4.7 快速梯度提升算法 074
參考文獻 076
第5章 聚類方法 077
5.1 k均值聚類方法 077
5.2 噪聲密度聚類方法 078
5.3 評估指標 079
參考文獻 081
第6章 人工神經網絡 082
6.1 反向人工神經網絡 083
6.2 Kohonen自組織網絡 085
參考文獻 086
第7章 遺傳算法和遺傳回歸 087
7.1 遺傳算法 087
7.2 遺傳回歸 089
參考文獻 092
第8章 支持向量機方法 094
8.1 統計學習理論簡介 095
8.1.1 背景 095
8.1.2 原理 095
8.2 支持向量分類算法 097
8.2.1 線性可分情形 097
8.2.2 非線性可分情形 098
8.3 支持向量機的核函數 099
8.4 支持向量回歸方法 101
8.4.1 線性回歸情形 101
8.4.2 非線性回歸情形 102
8.5 支持向量機分類與回歸算法的實現 103
8.6 應用前景 104
參考文獻 105
第9章 集成學習方法 107
9.1 集成學習算法概述 107
9.2 Boosting算法 110
9.3 AdaBoost算法 111
9.4 Bagging算法 113
參考文獻 114
第10章 特征選擇方法和應用 116
10.1 特征變量篩選方法概論 116
10.2 過濾式 118
10.2.1 方差選擇法 118
10.2.2 相關系數法 118
10.2.3 *大信息系數 119
10.2.4 *大相關*小冗余 120
10.2.5 卡方檢驗 121
10.2.6 Relief 121
10.3 封裝式 122
10.3.1 全局*優搜索 122
10.3.2 啟發式搜索 123
10.3.3 隨機搜索 124
10.4 嵌入式 124
10.5 小結 125
參考文獻 126
第11章 材料數據挖掘在線計算平臺 128
11.1 材料數據挖掘在線計算平臺技術簡介 128
11.1.1 OCPMDM平臺架構 129
11.1.2 OCPMDM平臺技術簡介 130
11.1.3 分布式計算簡介與使用 131
11.2 材料數據挖掘在線計算平臺功能介紹 132
11.2.1 機器學習算法 133
11.2.2 材料描述符填充 134
11.2.3 數據特征篩選 134
11.2.4 智能建模 135
11.2.5 鈣鈦礦材料高通量虛擬篩選 135
11.2.6 模型分享 135
11.3 材料數據挖掘在線計算平臺應用案例 136
11.3.1 數據來源 136
11.3.2 研究流程 137
11.3.3 結果與討論 137
11.4 小結 145
參考文獻 146
第12章 鈣鈦礦型材料的數據挖掘 148
12.1 鈣鈦礦型材料數據挖掘概論 148
12.2 鈣鈦礦型材料居里溫度的數據挖掘 149
12.2.1 數據集 150
12.2.2 特征變量篩選 151
12.2.3 參數優化 152
12.2.4 模型的評價 154
12.2.5 模型的檢驗 156
12.2.6 虛擬篩選 156
12.3 鈣鈦礦型材料比表面積的數據挖掘 158
12.3.1 數據集 159
12.3.2 特征變量篩選 160
12.3.3 SVR模型的建立與留一法檢驗 162
12.3.4 與其他算法的結果比較 165
12.3.5 SVR外部測試集驗證 165
12.3.6 高通量篩選 167
12.3.7 模型分享 169
12.3.8 模型的模式識別解釋 169
12.3.9 模型的敏感性分析 170
12.4 小結 172
參考文獻 173
第13章 染料敏化太陽能電池材料的數據挖掘 176
13.1 概述 176
13.1.1 染料敏化太陽能電池 176
13.1.2 染料敏化劑及其數據挖掘研究現狀 177
13.1.3 N-P類敏化劑研究現狀 179
13.2 N-P類敏化劑的數據挖掘 179
13.2.1 數據集與特征變量的計算 180
13.2.2 特征變量的篩選和建模 181
13.2.3 模型的驗證 184
13.3 分子設計與性能預報 185
13.3.1 特征變量的解釋 185
13.3.2 分子設計與PCE預報 187
13.4 量化驗證 189
13.4.1 計算方法 189
13.4.2 電子結構 191
13.4.3 吸收光譜 194
13.4.4 染料和TiO2絡合物 195
13.4.5 綜合效率 196
13.5 小結 199
參考文獻 200
第14章 高分子材料的數據挖掘 204
14.1 概述 204
14.1.1 高分子材料數據挖掘研究現狀 205
14.1.2 高分子指紋描述符 206
14.2 高分子材料設計算法 207
14.2.1 遺傳算法 207
14.2.2 貝葉斯算法 208
14.3 高分子禁帶寬度的數據挖掘 210
14.3.1 研究背景 210
14.3.2 數據集 210
14.3.3 DFT方法探索 211
14.3.4 特征變量篩選 212
14.3.5 模型篩選 212
14.3.6 SVC模型的建立與驗證 215
14.3.7 特征相關性分析 216
14.3.8 特征敏感性分析 218
14.3.9 模型分享 219
14.3.10 分子設計 219
14.4 小結 221
參考文獻 221
第15章 基于數據挖掘的氟橡膠門尼黏度優化控制 223
15.1 研究背景 223
15.2 研究思路 225
15.3 研究內容 225
15.4 氟橡膠生產優化控制軟件BDMOS介紹 227
15.5 BDMOS軟件具體功能 228
15.5.1 數據導入 228
15.5.2 統計信息 230
15.5.3 變量重要性分析 234
15.5.4 數據挖掘模型 234
15.6 氟橡膠簡介 239
15.7 氟橡膠生產數據挖掘 242
15.7.1 數據集收集 242
15.7.2 模型建立 245
15.7.3 模型檢驗 246
15.8 小結 248
參考文獻 249
索引 250
1.1 材料數據挖掘的研究背景 001
1.1.1 材料數據挖掘與材料設計 004
1.1.2 材料數據挖掘與材料信息學 006
1.1.3 材料數據挖掘與材料基因組工程 008
1.1.4 材料數據挖掘與材料工業優化 011
1.2 材料數據挖掘方法概要 012
1.2.1 材料數據挖掘問題的數學表達 013
1.2.2 材料數據挖掘模型的“過擬合”和“欠擬合”問題 013
1.2.3 材料數據挖掘的常用方法 015
1.2.4 材料數據挖掘的基本流程 019
1.3 材料數據挖掘應用進展 021
1.4 材料數據挖掘發展趨勢 023
參考文獻 025
第2章 回歸分析 029
2.1 回歸分析方法概論 029
2.2 線性回歸 030
2.2.1 一元線性回歸 030
2.2.2 多元線性回歸 032
2.2.3 違背基本假設的情況與處理 033
2.3 嶺回歸 034
2.4 套索算法 036
2.5 偏*小二乘回歸 038
2.6 邏輯回歸 040
參考文獻 042
第3章 統計模式識別 043
3.1 統計模式識別概論 043
3.2 *近鄰 045
3.3 主成分分析 046
3.4 多重判別矢量和費歇爾判別矢量 048
3.5 非線性映照 052
3.6 模式識別應用技術 053
3.6.1 *佳投影識別 054
3.6.2 超多面體建模 056
3.6.3 逐級投影建模 056
3.6.4 *佳投影回歸 058
3.6.5 模式識別逆投影 061
參考文獻 062
第4章 決策樹 063
4.1 決策樹概論 063
4.2 決策樹 064
4.3 隨機決策樹 066
4.4 隨機森林 067
4.5 梯度提升決策樹 069
4.6 極限梯度提升算法 071
4.7 快速梯度提升算法 074
參考文獻 076
第5章 聚類方法 077
5.1 k均值聚類方法 077
5.2 噪聲密度聚類方法 078
5.3 評估指標 079
參考文獻 081
第6章 人工神經網絡 082
6.1 反向人工神經網絡 083
6.2 Kohonen自組織網絡 085
參考文獻 086
第7章 遺傳算法和遺傳回歸 087
7.1 遺傳算法 087
7.2 遺傳回歸 089
參考文獻 092
第8章 支持向量機方法 094
8.1 統計學習理論簡介 095
8.1.1 背景 095
8.1.2 原理 095
8.2 支持向量分類算法 097
8.2.1 線性可分情形 097
8.2.2 非線性可分情形 098
8.3 支持向量機的核函數 099
8.4 支持向量回歸方法 101
8.4.1 線性回歸情形 101
8.4.2 非線性回歸情形 102
8.5 支持向量機分類與回歸算法的實現 103
8.6 應用前景 104
參考文獻 105
第9章 集成學習方法 107
9.1 集成學習算法概述 107
9.2 Boosting算法 110
9.3 AdaBoost算法 111
9.4 Bagging算法 113
參考文獻 114
第10章 特征選擇方法和應用 116
10.1 特征變量篩選方法概論 116
10.2 過濾式 118
10.2.1 方差選擇法 118
10.2.2 相關系數法 118
10.2.3 *大信息系數 119
10.2.4 *大相關*小冗余 120
10.2.5 卡方檢驗 121
10.2.6 Relief 121
10.3 封裝式 122
10.3.1 全局*優搜索 122
10.3.2 啟發式搜索 123
10.3.3 隨機搜索 124
10.4 嵌入式 124
10.5 小結 125
參考文獻 126
第11章 材料數據挖掘在線計算平臺 128
11.1 材料數據挖掘在線計算平臺技術簡介 128
11.1.1 OCPMDM平臺架構 129
11.1.2 OCPMDM平臺技術簡介 130
11.1.3 分布式計算簡介與使用 131
11.2 材料數據挖掘在線計算平臺功能介紹 132
11.2.1 機器學習算法 133
11.2.2 材料描述符填充 134
11.2.3 數據特征篩選 134
11.2.4 智能建模 135
11.2.5 鈣鈦礦材料高通量虛擬篩選 135
11.2.6 模型分享 135
11.3 材料數據挖掘在線計算平臺應用案例 136
11.3.1 數據來源 136
11.3.2 研究流程 137
11.3.3 結果與討論 137
11.4 小結 145
參考文獻 146
第12章 鈣鈦礦型材料的數據挖掘 148
12.1 鈣鈦礦型材料數據挖掘概論 148
12.2 鈣鈦礦型材料居里溫度的數據挖掘 149
12.2.1 數據集 150
12.2.2 特征變量篩選 151
12.2.3 參數優化 152
12.2.4 模型的評價 154
12.2.5 模型的檢驗 156
12.2.6 虛擬篩選 156
12.3 鈣鈦礦型材料比表面積的數據挖掘 158
12.3.1 數據集 159
12.3.2 特征變量篩選 160
12.3.3 SVR模型的建立與留一法檢驗 162
12.3.4 與其他算法的結果比較 165
12.3.5 SVR外部測試集驗證 165
12.3.6 高通量篩選 167
12.3.7 模型分享 169
12.3.8 模型的模式識別解釋 169
12.3.9 模型的敏感性分析 170
12.4 小結 172
參考文獻 173
第13章 染料敏化太陽能電池材料的數據挖掘 176
13.1 概述 176
13.1.1 染料敏化太陽能電池 176
13.1.2 染料敏化劑及其數據挖掘研究現狀 177
13.1.3 N-P類敏化劑研究現狀 179
13.2 N-P類敏化劑的數據挖掘 179
13.2.1 數據集與特征變量的計算 180
13.2.2 特征變量的篩選和建模 181
13.2.3 模型的驗證 184
13.3 分子設計與性能預報 185
13.3.1 特征變量的解釋 185
13.3.2 分子設計與PCE預報 187
13.4 量化驗證 189
13.4.1 計算方法 189
13.4.2 電子結構 191
13.4.3 吸收光譜 194
13.4.4 染料和TiO2絡合物 195
13.4.5 綜合效率 196
13.5 小結 199
參考文獻 200
第14章 高分子材料的數據挖掘 204
14.1 概述 204
14.1.1 高分子材料數據挖掘研究現狀 205
14.1.2 高分子指紋描述符 206
14.2 高分子材料設計算法 207
14.2.1 遺傳算法 207
14.2.2 貝葉斯算法 208
14.3 高分子禁帶寬度的數據挖掘 210
14.3.1 研究背景 210
14.3.2 數據集 210
14.3.3 DFT方法探索 211
14.3.4 特征變量篩選 212
14.3.5 模型篩選 212
14.3.6 SVC模型的建立與驗證 215
14.3.7 特征相關性分析 216
14.3.8 特征敏感性分析 218
14.3.9 模型分享 219
14.3.10 分子設計 219
14.4 小結 221
參考文獻 221
第15章 基于數據挖掘的氟橡膠門尼黏度優化控制 223
15.1 研究背景 223
15.2 研究思路 225
15.3 研究內容 225
15.4 氟橡膠生產優化控制軟件BDMOS介紹 227
15.5 BDMOS軟件具體功能 228
15.5.1 數據導入 228
15.5.2 統計信息 230
15.5.3 變量重要性分析 234
15.5.4 數據挖掘模型 234
15.6 氟橡膠簡介 239
15.7 氟橡膠生產數據挖掘 242
15.7.1 數據集收集 242
15.7.2 模型建立 245
15.7.3 模型檢驗 246
15.8 小結 248
參考文獻 249
索引 250
展開全部
書友推薦
- >
巴金－再思錄
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
我從未如此眷戀人間
- >
苦雨齋序跋文-周作人自編集
- >
名家帶你讀魯迅:故事新編
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
小考拉的故事-套裝共3冊
- >
姑媽的寶刀
本類暢銷
