導覽
近期變更
隨機頁面
新手上路
新頁面
優質條目評選
繁體
不转换
简体
繁體
3.144.42.233
登入
工具
閱讀
檢視原始碼
特殊頁面
頁面資訊
求真百科歡迎當事人提供第一手真實資料，洗刷冤屈，終結網路霸凌。
檢視 材料数据挖掘方法与应用 的原始碼
←
材料数据挖掘方法与应用
前往：
導覽
、
搜尋
由於下列原因，您沒有權限進行 編輯此頁面 的動作：
您請求的操作只有這個群組的使用者能使用：
用戶
您可以檢視並複製此頁面的原始碼。
{| class="wikitable" align="right" |- |<center><img src=https://www0.kfzimg.com/sw/kfz-cos/kfzimg/1660560/1c15bfd5334864e5_s.jpg width="260"></center> <small>[https://book.kongfz.com/15309/5584610277 来自 孔夫子网 的图片]</small> |} 《'''材料数据挖掘方法与应用'''》，陆文聪 著，出版社： 化学工业出版社。 化学工业出版社（简称化工社）组建于1953年1月，是新[[中国]]出版界历史较为悠久的中央级[[出版社]]<ref>[http://news.sohu.com/a/791262769_121675507 国家对出版社等级是怎样评估的 ]，搜狐，2024-07-06 </ref>，出版科技图书、教材、大众图书、电子出版物及[[科技]][[期刊]]等五大类<ref>[https://www.cip.com.cn/Home/About 化学工业出版社有限公司简介]，化学工业出版社有限公司</ref>。 ==内容简介== 《材料数据挖掘方法与应用》详细介绍了材料数据挖掘的研究背景、常用方法、具体步骤和作者团队自主开发的在线计算平台OCPMDM（online computation tform for materials data mining, http:/materials-data-mining.com/ocpmdm/）的应用，阐述了OCPMDM在线计算平台在材料设计（钙钛矿型材料、染料敏化太阳能电池材料等）和化工优化（氟橡胶工艺优化等）中的应用。本书方便读者学以致用，读者可以免费利用OCPMDM软件平台，构建并分享材料数据挖掘模型，用于虚拟样本的高通量筛选，加快新材料研程。 本书可供材料科学与工程等相关领域科研人员和工程技术人员阅读，亦可作为高等院校材料数据挖掘研究方向师生的教学参考书。 ==目录== 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 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 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 很好投影识别 3.6.2 超多面体建模 3.6.3 逐级投影建模 3.6.4 很好投影回归 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 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 9.1 集成学概述 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 10.2 过滤式 10.2.1 方差选择法 10.2.2 相关系数法 10.2.3 优选信息系数 10.2.4 优选相关小冗余 10.2.5 卡方检验 10.2.6 Relief 10.3 封装式 10.3.1 全局很优搜索 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能介绍 11.2.1 机器学 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TiO2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 ==参考文献== [[Category:040 類書總論；百科全書總論]]
返回「
材料数据挖掘方法与应用
」頁面