模式識(shí)別方法在化學(xué)化工中的應(yīng)用

《計(jì)算機(jī)化學(xué)化工叢書(shū)》序
前言
第一章　化學(xué)化工的復(fù)雜數(shù)據(jù)處理
1.1 化學(xué)、化工中的幾個(gè)共性課題
1.2 復(fù)雜數(shù)據(jù)處理的困難和對(duì)策
1.2.1 復(fù)雜數(shù)據(jù)處理的困難
1.2.2 復(fù)雜數(shù)據(jù)處理的對(duì)策
1.3 化學(xué)、化工復(fù)雜數(shù)據(jù)處理的意義和價(jià)值
1.3.1 復(fù)雜數(shù)據(jù)處理是化學(xué)科學(xué)的一個(gè)薄弱環(huán)節(jié)
1.3.2 復(fù)雜數(shù)據(jù)信息采掘是改進(jìn)化工生產(chǎn)的捷徑
1.3.3 處理復(fù)雜數(shù)據(jù)必須綜合應(yīng)用多種計(jì)算方法
1.4 復(fù)雜數(shù)據(jù)信息采掘的信息處理流程
參考文獻(xiàn)
第二章　復(fù)雜數(shù)據(jù)信息采掘的主要方法之一——模式識(shí)別
2.1 模式識(shí)別方法的原理和基本概念
2.2 數(shù)據(jù)文件的標(biāo)準(zhǔn)化
2.3 主成分分析及其衍生方法
2.3.1 主成分分析的原理及KL變換
2.3.2 主成分的特性
2.3.3 主成分的貢獻(xiàn)率
2.3.4 主成分算法步驟
2.3.5 限值響應(yīng)問(wèn)題
2.4 白化變換-線性投影法（LMAP）
2.4.1 LMAP的原理
2.4.2 LMAP算法步驟
2.5 最優(yōu)判別平面方法
2.5.1 ODP的原理
2.5.2 討論
2.5.3 ODP算法步驟
3.6 偏最小二乘法
2.6.1 主成分的NIPALS算法
2.6.2 PLS算法步驟和原理
2.6.3 PLS的若干性質(zhì)
2.6.4 PLS預(yù)報(bào)步驟
2.6.5 PLS成分?jǐn)?shù)目的確定
2.7 非線性映照
2.7.1 線性映照的局限性
2.7.2 NLM原理
2.7.3 PCA-NLM、LMAP-NLM和PLS-NLM
2.7.4 NLM的計(jì)算步驟
2.8 相似分析法
2.8.1 SIMCA的基本原理
2.8.2 SIMCA信息分析
2.8.3 SIMCA計(jì)算步驟
2.9 KNN法及其衍生方法
2.10 聚類分析方法
2.10.1 分級(jí)聚類方法
2.10.2 最小生成樹(shù)法
2.10.3 最短生成路徑法
2.10.4 判別聚類的勢(shì)函數(shù)法
2.11 模式識(shí)別的逆映照方法
2.11.1 線性逆映照（LIM）
2.11.2 非線性逆映照（NLIM）
參考文獻(xiàn)
第三章　復(fù)雜數(shù)據(jù)信息采掘的主要方法之二——人工神經(jīng)網(wǎng)絡(luò)
3.1 人工神經(jīng)網(wǎng)絡(luò)模型
3.1.1 人工神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)
3.1.2 人工神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
3.1.3 人工神經(jīng)網(wǎng)絡(luò)的運(yùn)行
3.1.4 人工神經(jīng)網(wǎng)絡(luò)的性質(zhì)和特點(diǎn)
3.1.5 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練
3.2 誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)
3.2.1 誤差逆?zhèn)鞑ィ˙P）學(xué)習(xí)算法的提出
3.2.2 BP網(wǎng)絡(luò)結(jié)構(gòu)與學(xué)習(xí)規(guī)則
3.2.3 BP算法學(xué)習(xí)規(guī)則的數(shù)學(xué)推導(dǎo)
3.2.4 BP網(wǎng)絡(luò)的簡(jiǎn)單評(píng)價(jià)
3.3 多層前饋網(wǎng)絡(luò)的SABP算法
3.3.1 傳統(tǒng)BP算法主要缺點(diǎn)及改進(jìn)
3.3.2 模擬退火算法
3.3.3 三層前饋網(wǎng)絡(luò)SABP算法原理
3.4 自組織映射神經(jīng)網(wǎng)絡(luò)
3.4.1 自組織特征映射
3.4.2 算法設(shè)計(jì)
3.5 人工神經(jīng)網(wǎng)絡(luò)結(jié)果的二維圖象顯示
參考文獻(xiàn)
第四章　復(fù)雜數(shù)據(jù)信息采掘的主要方法之三——遺傳算法
4.1 演化算法
4.1.1 概述
4.1.2 自組織、自適應(yīng)和自學(xué)習(xí)性（智能性）
4.1.3 本質(zhì)并行性
4.2 遺傳算法概述
4.2.1 基本概念
4.2.2 模式定理
4.3 遺傳算法設(shè)計(jì)
4.3.1 遺傳算法的基本結(jié)構(gòu)
4.3.2 設(shè)計(jì)遺傳算法的基本步驟
4.3.3 編碼方案
4.3.4 適應(yīng)度
4.3.5 選擇策略
4.3.6 遺傳算子的設(shè)計(jì)
參考文獻(xiàn)
第五章　數(shù)據(jù)文件的建立、評(píng)估和數(shù)據(jù)類型考查
5.1 數(shù)據(jù)文件的格式要求
5.1.1 格式和要求
5.1.2 多目標(biāo)問(wèn)題
5.1.3 預(yù)加工
5.2 數(shù)據(jù)文件的評(píng)估原理
5.2.1 超多面體判據(jù)
5.2.2 KNN留一法判據(jù)
5.2.3 回歸法判據(jù)
5.3 數(shù)據(jù)評(píng)估的做法和標(biāo)準(zhǔn)
5.3.1 超多面體判據(jù)
5.3.2 KNN留一法的判據(jù)
5.3.3 回歸法的判據(jù)
5.4 數(shù)據(jù)結(jié)構(gòu)的初步分析
5.4.1 近鄰分析（nearestneighboranalysis）
5.4.2 拓?fù)浞治觯╰opologicaltypeanalysis）
5.4.3 近線性分析（near-lineariyanalysis）
5.4.4 時(shí)間序列分析（timeseriesanalysis）
5.4.5 Fisher指數(shù)分析（fisherindexanalysis）
參考文獻(xiàn)
第六章　數(shù)據(jù)的相關(guān)分析方法
6.1 相關(guān)分析的價(jià)值和局限性
6.2 單因子相關(guān)分析和t-f圖
6.3 雙因子分析和f-f圖
6.4 三因子分析及三維圖的顯示
6.5 數(shù)據(jù)變換與相關(guān)分析相結(jié)合的算法
6.6 f-f圖的分級(jí)投影方法
參考文獻(xiàn)
第七章　數(shù)據(jù)文件的樣本篩選
7.1 數(shù)據(jù)文件可分性不好的三個(gè)原因
7.2 子空間局部考查
7.3 添加自變量影響的考查
7.4 離群點(diǎn)的刪除
參考文獻(xiàn)
第八章　數(shù)據(jù)文件的自變量篩選
8.1 自變量篩選的意義
8.2 自變量篩選的多義性
8.3 相關(guān)分析的應(yīng)用和局限性
8.4 有關(guān)變量的共線性檢查
8.5 近線性數(shù)據(jù)文件的自變量篩選
8.6 偏置型數(shù)據(jù)集的自變量篩選
8.7 包容型數(shù)據(jù)集的自變量篩選
8.8 子空間局部考查與自變量篩選
8.9 自變量篩選必須結(jié)合專業(yè)知識(shí)進(jìn)行
參考文獻(xiàn)
第九章　數(shù)據(jù)文件的實(shí)用建模
9.1 實(shí)用建模的要求和目標(biāo)
9.2 分類判別問(wèn)題的超多面體模型
9.3 最佳投影-自動(dòng)矩形-分級(jí)投影方法
9.4 增補(bǔ)測(cè)試樣本的算法及應(yīng)用
9.5 實(shí)用建模中外推的方法
9.6 實(shí)用建模中的回歸方法
9.7 人工神經(jīng)網(wǎng)絡(luò)的實(shí)用建模
9.8 模式識(shí)別與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法
9.9 限值響應(yīng)問(wèn)題的實(shí)用建模
9.10 多目標(biāo)優(yōu)化模型的建立
參考文獻(xiàn)
第十章　原子參數(shù)和分子參數(shù)
10.1 原子和分子參數(shù)選擇的原理
10.2 原子的價(jià)電子數(shù)（z）
10.3 原子的電離勢(shì)（I）
10.4 原子半徑和離子半徑（R）
10.5 電負(fù)性
10.6 分子的拓?fù)鋮?shù)和原子集團(tuán)參數(shù)
10.7 離子鍵化合物及物系的物性表征參數(shù)
10.8 金屬鍵化合物及物系的物性表征參數(shù)
10.9 共價(jià)化合物及物系的物性表征參數(shù)
參考文獻(xiàn)
第十一章　數(shù)據(jù)信息采掘在物性預(yù)報(bào)中的應(yīng)用
11.1 原子-分子參數(shù)-數(shù)據(jù)信息采掘方法
11.2 若干熱力學(xué)性質(zhì)的計(jì)算機(jī)預(yù)報(bào)
11.2.1 化合物熔點(diǎn)的計(jì)算機(jī)預(yù)報(bào)
11.2.2 化合物包晶分解溫度的計(jì)算機(jī)預(yù)報(bào)
11.2.3 液態(tài)合金混合熵的計(jì)算機(jī)預(yù)報(bào)
11.3 若干物理性質(zhì)的計(jì)算機(jī)預(yù)報(bào)
參考文獻(xiàn)
第十二章　數(shù)據(jù)信息采掘在相圖計(jì)算中的應(yīng)用
12.1 相圖計(jì)算的意義和相圖計(jì)算的原子參數(shù)-模式識(shí)別方法
12.2 原子參數(shù)-模式識(shí)別方法概述
12.3 二元合金相圖中間相的形成規(guī)律
12.4 原子參數(shù)與三元合金相形成的關(guān)系——取代對(duì)的概念
12.5 非過(guò)渡金屬間三元化合物的形成規(guī)律
12.6 過(guò)渡金屬間三元化合物的形成規(guī)律
12.7 過(guò)渡金屬和非過(guò)渡金屬間三元化合物的形成規(guī)律
12.8 氧化物系相圖中的中間化合物的形成規(guī)律
12.9 二元液態(tài)合金的相互作用系數(shù)和液相分層的計(jì)算機(jī)預(yù)報(bào)
12.10 相圖中間相熔化類型的判別
12.11 三元相圖液相面的計(jì)算機(jī)預(yù)報(bào)
參考文獻(xiàn)
第十三章　數(shù)據(jù)信息采掘在新材料、新產(chǎn)品研制中的應(yīng)用
13.1 材料設(shè)計(jì)和分子設(shè)計(jì)的意義
13.2 材料設(shè)計(jì)專家系統(tǒng)
13.3 材料設(shè)計(jì)專家系統(tǒng)用于已有數(shù)據(jù)的加工
13.4 材料設(shè)計(jì)專家系統(tǒng)輔助實(shí)驗(yàn)探索
13.5 材料設(shè)計(jì)輔助材料智能加工
參考文獻(xiàn)
第十四章　數(shù)據(jù)信息采掘在化工生產(chǎn)優(yōu)化中的應(yīng)用
14.1 化工過(guò)程復(fù)雜反應(yīng)體系的量綱分析
14.2 數(shù)據(jù)信息采掘和優(yōu)化建模在煉油工業(yè)中的應(yīng)用
14.3 數(shù)據(jù)信息采掘在高分子材料生產(chǎn)優(yōu)化中的應(yīng)用
14.4 數(shù)據(jù)信息采掘在染料色光控制中的應(yīng)用
14.5 數(shù)據(jù)信息采掘在醋酸乙烯催化合成中的應(yīng)用
14.6 數(shù)據(jù)信息采掘用于提高有機(jī)合成產(chǎn)率
14.7 數(shù)據(jù)信息采掘在化工環(huán)保中的應(yīng)用
14.8 數(shù)據(jù)信息采掘在產(chǎn)品檢驗(yàn)自動(dòng)化中的應(yīng)用
14.9 數(shù)據(jù)信息采掘在化工設(shè)備防腐方面的應(yīng)用
14.10 數(shù)據(jù)信息采掘在其他化工過(guò)程中的應(yīng)用
參考文獻(xiàn)
第十五章　數(shù)據(jù)信息采掘在冶金生產(chǎn)優(yōu)化中的應(yīng)用
15.1 煉焦配煤的優(yōu)化
15.2 模式識(shí)別在降低焦比中的應(yīng)用
15.3 模式識(shí)別方法分析煉鋼轉(zhuǎn)爐爐齡的影響因素
15.4 連鑄坯表面質(zhì)量的模式識(shí)別分析
15.5 模式識(shí)別在合金鋼生產(chǎn)中的應(yīng)用
15.6 聯(lián)合法生產(chǎn)氧化鋁凈溶出率的模式識(shí)別優(yōu)化
15.7 燒結(jié)法碳酸化分解終點(diǎn)的優(yōu)化控制
15.8 電解鋁電流效率的優(yōu)化模型
15.9 電解鋁陽(yáng)極導(dǎo)電合金成分優(yōu)化
15.10 鋼鐵表面氮化過(guò)程的質(zhì)量?jī)?yōu)化
15.11 汽車零件光亮鍍鉻的質(zhì)量?jī)?yōu)化
15.12 熱法煉鎂質(zhì)量與配料比的關(guān)系
參考文獻(xiàn)
附錄
A 為初學(xué)者按“向?qū)Х绞健鄙蠙C(jī)實(shí)習(xí)的操作指南
B 上機(jī)實(shí)習(xí)
C 附表