同類熱銷排行榜

材料數據挖掘方法與應用(精)

作者：陸文聰//李敏傑//紀曉波|責編:成榮霞
出版社：化學工業
ISBN：9787122405975

出版日期：2022/06/01
裝幀：精裝
頁數：251

人民幣：RMB 128 元售價：元

內容大鋼

《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台OCPMDM（online computation platform for materials data mining, http:/materials-data-mining.com/ocpmdm/）的應用，重點闡述了OCPMDM在線計算平台在材料設計（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軟體平台，構建並分享材料數據挖掘模型，用於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。

作者介紹

陸文聰//李敏傑//紀曉波|責編:成榮霞

第1章  材料數據挖掘綜述
  1.1  材料數據挖掘的研究背景
    1.1.1  材料數據挖掘與材料設計
    1.1.2  材料數據挖掘與材料信息學
    1.1.3  材料數據挖掘與材料基因組工程
    1.1.4  材料數據挖掘與材料工業優化
  1.2  材料數據挖掘方法概要
    1.2.1  材料數據挖掘問題的數學表達
    1.2.2  材料數據挖掘模型的「過擬合」和「欠擬合」問題
    1.2.3  材料數據挖掘的常用方法
    1.2.4  材料數據挖掘的基本流程
  1.3  材料數據挖掘應用進展
  1.4  材料數據挖掘發展趨勢
  參考文獻
第2章  回歸分析
  2.1  回歸分析方法概論
  2.2  線性回歸
    2.2.1  一元線性回歸
    2.2.2  多元線性回歸
    2.2.3  違背基本假設的情況與處理
  2.3  嶺回歸
  2.4  套索演算法
  2.5  偏最小二乘回歸
  2.6  邏輯回歸
  參考文獻
第3章  統計模式識別
  3.1  統計模式識別概論
  3.2  最近鄰
  3.3  主成分分析
  3.4  多重判別矢量和費歇爾判別矢量
  3.5  非線性映照
  3.6  模式識別應用技術
    3.6.1  最佳投影識別
    3.6.2  超多面體建模
    3.6.3  逐級投影建模
    3.6.4  最佳投影回歸
    3.6.5  模式識別逆投影
  參考文獻
第4章  決策樹
  4.1  決策樹概論
  4.2  決策樹
  4.3  隨機決策樹
  4.4  隨機森林
  4.5  梯度提升決策樹
  4.6  極限梯度提升演算法
  4.7  快速梯度提升演算法
  參考文獻
第5章  聚類方法
  5.1  k均值聚類方法
  5.2  雜訊密度聚類方法

  5.3  評估指標
  參考文獻
第6章  人工神經網路
  6.1  反向人工神經網路
  6.2  Kohonen自組織網路
  參考文獻
第7章  遺傳演算法和遺傳回歸
  7.1  遺傳演算法
  7.2  遺傳回歸
  參考文獻
第8章  支持向量機方法
  8.1  統計學習理論簡介
    8.1.1  背景
    8.1.2  原理
  8.2  支持向量分類演算法
    8.2.1  線性可分情形
    8.2.2  非線性可分情形
  8.3  支持向量機的核函數
  8.4  支持向量回歸方法
    8.4.1  線性回歸情形
    8.4.2  非線性回歸情形
  8.5  支持向量機分類與回歸演算法的實現
  8.6  應用前景
  參考文獻
第9章  集成學習方法
  9.1  集成學習演算法概述
  9.2  Boosting演算法
  9.3  AdaBoost演算法
  9.4  Bagging演算法
  參考文獻
第10章  特徵選擇方法和應用
  10.1  特徵變數篩選方法概論
  10.2  過濾式
    10.2.1  方差選擇法
    10.2.2  相關係數法
    10.2.3  最大信息係數
    10.2.4  最大相關最小冗余
    10.2.5  卡方檢驗
    10.2.6  Relief
  10.3  封裝式
    10.3.1  全局最優搜索
    10.3.2  啟髮式搜索
    10.3.3  隨機搜索
  10.4  嵌入式
  10.5  小結
  參考文獻
第11章  材料數據挖掘在線計算平台
  11.1  材料數據挖掘在線計算平台技術簡介
    11.1.1  OCPMDM平台架構
    11.1.2  OCPMDM平台技術簡介

    11.1.3  分散式計算簡介與使用
  11.2  材料數據挖掘在線計算平台功能介紹
    11.2.1  機器學習演算法
    11.2.2  材料描述符填充
    11.2.3  數據特徵篩選
    11.2.4  智能建模
    11.2.5  鈣鈦礦材料高通量虛擬篩選
    11.2.6  模型分享
  11.3  材料數據挖掘在線計算平台應用案例
    11.3.1  數據來源
    11.3.2  研究流程
    11.3.3  結果與討論
  11.4  小結
  參考文獻
第12章  鈣鈦礦型材料的數據挖掘
  12.1  鈣鈦礦型材料數據挖掘概論
  12.2  鈣鈦礦型材料居里溫度的數據挖掘
    12.2.1  數據集
    12.2.2  特徵變數篩選
    12.2.3  參數優化
    12.2.4  模型的評價
    12.2.5  模型的檢驗
    12.2.6  虛擬篩選
  12.3  鈣鈦礦型材料比表面積的數據挖掘
    12.3.1  數據集
    12.3.2  特徵變數篩選
    12.3.3  SVR模型的建立與留一法檢驗
    12.3.4  與其他演算法的結果比較
    12.3.5  SVR外部測試集驗證
    12.3.6  高通量篩選
    12.3.7  模型分享
    12.3.8  模型的模式識別解釋
    12.3.9  模型的敏感性分析
  12.4  小結
  參考文獻
第13章  染料敏化太陽能電池材料的數據挖掘
  13.1  概述
    13.1.1  染料敏化太陽能電池
    13.1.2  染料敏化劑及其數據挖掘研究現狀
    13.1.3  N-P類敏化劑研究現狀
  13.2  N-P類敏化劑的數據挖掘
    13.2.1  數據集與特徵變數的計算
    13.2.2  特徵變數的篩選和建模
    13.2.3  模型的驗證
  13.3  分子設計與性能預報
    13.3.1  特徵變數的解釋
    13.3.2  分子設計與PCE預報
  13.4  量化驗證
    13.4.1  計算方法
    13.4.2  電子結構

    13.4.3  吸收光譜
    13.4.4  染料和TiO2絡合物
    13.4.5  綜合效率
  13.5  小結
  參考文獻
第14章  高分子材料的數據挖掘
  14.1  概述
    14.1.1  高分子材料數據挖掘研究現狀
    14.1.2  高分子指紋描述符
  14.2  高分子材料設計演算法
    14.2.1  遺傳演算法
    14.2.2  貝葉斯演算法
  14.3  高分子禁帶寬度的數據挖掘
    14.3.1  研究背景
    14.3.2  數據集
    14.3.3  DFT方法探索
    14.3.4  特徵變數篩選
    14.3.5  模型篩選
    14.3.6  SVC模型的建立與驗證
    14.3.7  特徵相關性分析
    14.3.8  特徵敏感性分析
    14.3.9  模型分享
    14.3.10  分子設計
  14.4  小結
  參考文獻
第15章  基於數據挖掘的氟橡膠門尼黏度優化控制
  15.1  研究背景
  15.2  研究思路
  15.3  研究內容
  15.4  氟橡膠生產優化控制軟體BDMOS介紹
  15.5  BDMOS軟體具體功能
    15.5.1  數據導入
    15.5.2  統計信息
    15.5.3  變數重要性分析
    15.5.4  數據挖掘模型
  15.6  氟橡膠簡介
  15.7  氟橡膠生產數據挖掘
    15.7.1  數據集收集
    15.7.2  模型建立
    15.7.3  模型檢驗
  15.8  小結
  參考文獻
索引

Δ訂單支付
付款方式
運費計算方式

Δ關於我們
關於美商天龍
聯絡我們

首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032

同類熱銷排行榜

最近瀏覽的商品

材料數據挖掘方法與應用(精)