模式識別在化學(xué)化工中的應(yīng)用

前言

　　數(shù)據(jù)信息采掘和信息融合（Data Mining and Data Fusion）是當今信息科學(xué)一個新熱點。其涵義是綜合運用多種算法，對從多種渠道來的大量數(shù)據(jù)進行計算機處理，通過去粗取精、去偽存真、由此及彼、由表及里的信息加工，抽提有用信息，發(fā)現(xiàn)自然規(guī)律?；瘜W(xué)、化工是實驗科學(xué)，是積存數(shù)據(jù)的“大戶”，是數(shù)據(jù)信息采掘和融合技術(shù)大有可為的“用武之地”。它不僅可用于化工生產(chǎn)優(yōu)化、輔助新產(chǎn)品試制，而且在分子設(shè)計、材料設(shè)計、化合物和物系的性質(zhì)預(yù)報等基礎(chǔ)研究中也很有用。此外，環(huán)境保護、地質(zhì)勘探、醫(yī)療診斷和生物信息科學(xué)研究中，都可能利用它打開新局面?！　∥液臀业耐聫氖禄瘜W(xué)化工數(shù)據(jù)信息采掘研究和應(yīng)用20余年，我們開發(fā)的算法和軟件技術(shù)，廣泛應(yīng)用于寶山鋼鐵公司、南京煉油廠、鄭州鋁廠等數(shù)十家大、中型企業(yè)，取得了很好的效益。在863高科技項目中，輔助多種新材料研制取得實效。與此同時，我們還將這些算法用于相圖計算和物性預(yù)報，開拓了新的研究領(lǐng)域。近年來，我們開發(fā)的新算法和軟件已開始在美國福特公司以及瑞士、新加坡、巴西等國的企業(yè)和科研單位推廣應(yīng)用，并取得效果。我們編寫本書的目的就是希望推動我國更多的化學(xué)、化工、冶金等領(lǐng)域的科研、技術(shù)人員掌握和運用這一新技術(shù)，為生產(chǎn)和研究工作做出貢獻。　　基于上述目的，我們試圖將本書編成“學(xué)以致用”的書，不但介紹算法原理和應(yīng)用成果，而且能指導(dǎo)讀者掌握使用我們的軟件。讀者可從因特網(wǎng)免費下載我們軟件的演示版，也可以低價從代銷點取得我們軟件的簡易版。本書附錄載有若干練習(xí)題，讀者可利用演示版或簡易版針對練習(xí)題進行不同程度的上機實習(xí)。如果讀者需要，也可從代銷點購買我們的軟件正版及其說明書，將本書與說明書參照閱讀，可收到理論聯(lián)系實際之效果。本書附錄為讀者提供免費下載演示版和購買正版、簡易版的網(wǎng)址，以便讀者閱讀本書時，可以邊讀邊上機，提高學(xué)習(xí)的興趣?！　”緯ǖ目茖W(xué)研究成果，得到過863計劃、國家自然科學(xué)基金和美國福特公司的資助，本書的出版得到中國科學(xué)院出版基金的支持，在此一并致謝?！　』瘜W(xué)、化工的數(shù)據(jù)信息采掘是一門邊緣科學(xué)技術(shù)，涉及面很廣。本書雖然是在我們20余年工作基礎(chǔ)上編寫的，但也難免有“掛一漏萬”之處，我們歡迎廣大讀者在閱讀、使用過程中，向我們提出寶貴意見，以便今后改進?！　￡惸钯O　　1999年9月于上海

內(nèi)容概要

　　《模式識別在化學(xué)化工中的應(yīng)用》全面介紹了化學(xué)、化工中復(fù)雜數(shù)據(jù)信息處理的模式識別方法，以及與之結(jié)合的人工神經(jīng)網(wǎng)絡(luò)、遺傳算法和非線性回歸方法，列舉了大批實際應(yīng)用成果，并提供讀者上機練習(xí)的機會，做到學(xué)以致用?！赌Ｊ阶R別在化學(xué)化工中的應(yīng)用》可供化學(xué)、化工及相關(guān)領(lǐng)域的科研人員和工程技術(shù)人員閱讀，亦可作為高等學(xué)校的教學(xué)參考書。

作者簡介

　　陳念貽，中國科學(xué)院上海冶金研究所研究員，上海大學(xué)化學(xué)系計算機化學(xué)研究室主任，上海交通大學(xué)模式識別研究所兼任研究員。在計算化學(xué)及其應(yīng)用方面工作多年，發(fā)展了一套復(fù)雜數(shù)據(jù)信息采掘的新方法，用于我國化工、煉油、鋼鐵、汽車制造等的生產(chǎn)優(yōu)化和新材料研制，效益顯著，近年來該方法已在美國、瑞士和新加坡等國推廣使用。

書籍目錄

《計算機化學(xué)化工叢書》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)、化工中的幾個共性課題1.2 復(fù)雜數(shù)據(jù)處理的困難和對策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)處理的對策1.3 化學(xué)、化工復(fù)雜數(shù)據(jù)處理的意義和價值1.3.1 復(fù)雜數(shù)據(jù)處理是化學(xué)科學(xué)的一個薄弱環(huán)節(jié)1.3.2 復(fù)雜數(shù)據(jù)信息采掘是改進化工生產(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第二章　復(fù)雜數(shù)據(jù)信息采掘的主要方法之一——模式識別2.1 模式識別方法的原理和基本概念2.2 數(shù)據(jù)文件的標準化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 主成分的貢獻率2.3.4 主成分算法步驟2.3.5 限值響應(yīng)問題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)報步驟2.6.5 PLS成分數(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-NLM2.7.4 NLM的計算步驟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 分級聚類方法2.10.2 最小生成樹法2.10.3 最短生成路徑法2.10.4 判別聚類的勢函數(shù)法2.11 模式識別的逆映照方法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3.1.2 人工神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)3.1.3 人工神經(jīng)網(wǎng)絡(luò)的運行3.1.4 人工神經(jīng)網(wǎng)絡(luò)的性質(zhì)和特點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)的簡單評價3.3 多層前饋網(wǎng)絡(luò)的SABP算法3.3.1 傳統(tǒng)BP算法主要缺點及改進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4.3.1 遺傳算法的基本結(jié)構(gòu)4.3.2 設(shè)計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)計參考文獻第五章　數(shù)據(jù)文件的建立、評估和數(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 多目標問題5.1.3 預(yù)加工5.2 數(shù)據(jù)文件的評估原理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)評估的做法和標準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 拓撲分析（topologicaltypeanalysis）5.4.3 近線性分析（near-lineariyanalysis）5.4.4 時間序列分析（timeseriesanalysis）5.4.5 Fisher指數(shù)分析（fisherindexanalysis）參考文獻第六章　數(shù)據(jù)的相關(guān)分析方法6.1 相關(guān)分析的價值和局限性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圖的分級投影方法參考文獻第七章　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 離群點的刪除參考文獻第八章　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)知識進行參考文獻第九章　數(shù)據(jù)文件的實用建模9.1 實用建模的要求和目標9.2 分類判別問題的超多面體模型9.3 最佳投影-自動矩形-分級投影方法9.4 增補測試樣本的算法及應(yīng)用9.5 實用建模中外推的方法9.6 實用建模中的回歸方法9.7 人工神經(jīng)網(wǎng)絡(luò)的實用建模9.8 模式識別與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法9.9 限值響應(yīng)問題的實用建模9.10 多目標優(yōu)化模型的建立參考文獻第十章　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 原子的價電子數(shù)（z）10.3 原子的電離勢（I）10.4 原子半徑和離子半徑（R）10.5 電負性10.6 分子的拓撲參數(shù)和原子集團參數(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 共價化合物及物系的物性表征參數(shù)參考文獻第十一章　數(shù)據(jù)信息采掘在物性預(yù)報中的應(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)的計算機預(yù)報11.2.1 化合物熔點的計算機預(yù)報11.2.2 化合物包晶分解溫度的計算機預(yù)報11.2.3 液態(tài)合金混合熵的計算機預(yù)報11.3 若干物理性質(zhì)的計算機預(yù)報參考文獻第十二章　數(shù)據(jù)信息采掘在相圖計算中的應(yīng)用12.1 相圖計算的意義和相圖計算的原子參數(shù)-模式識別方法12.2 原子參數(shù)-模式識別方法概述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——取代對的概念12.5 非過渡金屬間三元化合物的形成規(guī)律12.6 過渡金屬間三元化合物的形成規(guī)律12.7 過渡金屬和非過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)和液相分層的計算機預(yù)報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算機預(yù)報參考文獻第十三章　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)計和分子設(shè)計的意義13.2 材料設(shè)計專家系統(tǒng)13.3 材料設(shè)計專家系統(tǒng)用于已有數(shù)據(jù)的加工13.4 材料設(shè)計專家系統(tǒng)輔助實驗探索13.5 材料設(shè)計輔助材料智能加工參考文獻第十四章　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)品檢驗自動化中的應(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程中的應(yīng)用參考文獻第十五章　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 模式識別在降低焦比中的應(yīng)用15.3 模式識別方法分析煉鋼轉(zhuǎn)爐爐齡的影響因素15.4 連鑄坯表面質(zhì)量的模式識別分析15.5 模式識別在合金鋼生產(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別優(yōu)化15.7 燒結(jié)法碳酸化分解終點的優(yōu)化控制15.8 電解鋁電流效率的優(yōu)化模型15.9 電解鋁陽極導(dǎo)電合金成分優(yōu)化15.10 鋼鐵表面氮化過程的質(zhì)量優(yōu)化15.11 汽車零件光亮鍍鉻的質(zhì)量優(yōu)化15.12 熱法煉鎂質(zhì)量與配料比的關(guān)系參考文獻附錄A 為初學(xué)者按“向?qū)Х绞健鄙蠙C實習(xí)的操作指南B 上機實習(xí)C 附表

圖書封面

評論、評分、閱讀與下載

---

    模式識別在化學(xué)化工中的應(yīng)用 PDF格式下載

---