材料数据挖掘方法与应用电子书

书名页

内容提要

版权页

前言

第1章 材料数据挖掘综述

1.1 材料数据挖掘的研究背景

1.1.1 材料数据挖掘与材料设计

1.1.2 材料数据挖掘与材料信息学

1.1.3 材料数据挖掘与材料基因组工程

1.1.4 材料数据挖掘与材料工业优化

1.2 材料数据挖掘方法概要

1.2.1 材料数据挖掘问题的数学表达

1.2.2 材料数据挖掘模型的“过拟合”和“欠拟合”问题

1.2.3 材料数据挖掘的常用方法

1.2.4 材料数据挖掘的基本流程

1.3 材料数据挖掘应用进展

1.4 材料数据挖掘发展趋势

参考文献

第2章 回归分析

2.1 回归分析方法概论

2.2 线性回归

2.2.1 一元线性回归

2.2.2 多元线性回归

2.2.3 违背基本假设的情况与处理

2.3 岭回归

2.4 套索算法

2.5 偏最小二乘回归

2.6 逻辑回归

参考文献

第3章 统计模式识别

3.1 统计模式识别概论

3.2 最近邻

3.3 主成分分析

3.4 多重判别矢量和费歇尔判别矢量

3.5 非线性映照

3.6 模式识别应用技术

3.6.1 最佳投影识别

3.6.2 超多面体建模

3.6.3 逐级投影建模

3.6.4 最佳投影回归

3.6.5 模式识别逆投影

参考文献

第4章 决策树

4.1 决策树概论

4.2 决策树

4.3 随机决策树

4.4 随机森林

4.5 梯度提升决策树

4.6 极限梯度提升算法

4.7 快速梯度提升算法

参考文献

第5章 聚类方法

5.1 k均值聚类方法

5.2 噪声密度聚类方法

5.3 评估指标

参考文献

第6章 人工神经网络

6.1 反向人工神经网络

6.2 Kohonen自组织网络

参考文献

第7章 遗传算法和遗传回归

7.1 遗传算法

7.2 遗传回归

参考文献

第8章 支持向量机方法

8.1 统计学习理论简介

8.1.1 背景

8.1.2 原理

8.2 支持向量分类算法

8.2.1 线性可分情形

8.2.2 非线性可分情形

8.3 支持向量机的核函数

8.4 支持向量回归方法

8.4.1 线性回归情形

8.4.2 非线性回归情形

8.5 支持向量机分类与回归算法的实现

8.6 应用前景

参考文献

第9章 集成学习方法

9.1 集成学习算法概述

9.2 Boosting算法

9.3 AdaBoost算法

9.4 Bagging算法

参考文献

第10章 特征选择方法和应用

10.1 特征变量筛选方法概论

10.2 过滤式

10.2.1 方差选择法

10.2.2 相关系数法

10.2.3 最大信息系数

10.2.4 最大相关最小冗余

10.2.5 卡方检验

10.2.6 Relief

10.3 封装式

10.3.1 全局最优搜索

10.3.2 启发式搜索

10.3.3 随机搜索

10.4 嵌入式

10.5 小结

参考文献

第11章 材料数据挖掘在线计算平台

11.1 材料数据挖掘在线计算平台技术简介

11.1.1 OCPMDM平台架构

11.1.2 OCPMDM平台技术简介

11.1.3 分布式计算简介与使用

11.2 材料数据挖掘在线计算平台功能介绍

11.2.1 机器学习算法

11.2.2 材料描述符填充

11.2.3 数据特征筛选

11.2.4 智能建模

11.2.5 钙钛矿材料高通量虚拟筛选

11.2.6 模型分享

11.3 材料数据挖掘在线计算平台应用案例

11.3.1 数据来源

11.3.2 研究流程

11.3.3 结果与讨论

11.4 小结

参考文献

第12章 钙钛矿型材料的数据挖掘

12.1 钙钛矿型材料数据挖掘概论

12.2 钙钛矿型材料居里温度的数据挖掘

12.2.1 数据集

12.2.2 特征变量筛选

12.2.3 参数优化

12.2.4 模型的评价

12.2.5 模型的检验

12.2.6 虚拟筛选

12.3 钙钛矿型材料比表面积的数据挖掘

12.3.1 数据集

12.3.2 特征变量筛选

12.3.3 SVR模型的建立与留一法检验

12.3.4 与其他算法的结果比较

12.3.5 SVR外部测试集验证

12.3.6 高通量筛选

12.3.7 模型分享

12.3.8 模型的模式识别解释

12.3.9 模型的敏感性分析

12.4 小结

参考文献

第13章 染料敏化太阳能电池材料的数据挖掘

13.1 概述

13.1.1 染料敏化太阳能电池

13.1.2 染料敏化剂及其数据挖掘研究现状

13.1.3 N-P类敏化剂研究现状

13.2 N-P类敏化剂的数据挖掘

13.2.1 数据集与特征变量的计算

13.2.2 特征变量的筛选和建模

13.2.3 模型的验证

13.3 分子设计与性能预报

13.3.1 特征变量的解释

13.3.2 分子设计与PCE预报

13.4 量化验证

13.4.1 计算方法

13.4.2 电子结构

13.4.3 吸收光谱

13.4.4 染料和TiO_2络合物

13.4.5 综合效率

13.5 小结

参考文献

第14章 高分子材料的数据挖掘

14.1 概述

14.1.1 高分子材料数据挖掘研究现状

14.1.2 高分子指纹描述符

14.2 高分子材料设计算法

14.2.1 遗传算法

14.2.2 贝叶斯算法

14.3 高分子禁带宽度的数据挖掘

14.3.1 研究背景

14.3.2 数据集

14.3.3 DFT方法探索

14.3.4 特征变量筛选

14.3.5 模型筛选

14.3.6 SVC模型的建立与验证

14.3.7 特征相关性分析

14.3.8 特征敏感性分析

14.3.9 模型分享

14.3.10 分子设计

14.4 小结

参考文献

第15章 基于数据挖掘的氟橡胶门尼黏度优化控制

15.1 研究背景

15.2 研究思路

15.3 研究内容

15.4 氟橡胶生产优化控制软件BDMOS介绍

15.5 BDMOS软件具体功能

15.5.1 数据导入

15.5.2 统计信息

15.5.3 变量重要性分析

15.5.4 数据挖掘模型

15.6 氟橡胶简介

15.7 氟橡胶生产数据挖掘

15.7.1 数据集收集

15.7.2 模型建立

15.7.3 模型检验

15.8 小结

参考文献

索引