材料數據挖掘方法與應用

《材料資料採擷方法與應用》詳細介紹了材料資料採擷的研究背景、常用方法、具體步驟和作者團隊自主開發的線上計算平臺OCPMDM（online computation platform for materials data mining，http:/materials-data-mining.com/ocpmdm/）的應用，重點闡述了OCPMDM線上計算平臺在材料設計（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軟體平臺，構建並分享材料資料採擷模型，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資料採擷研究方向師生的教學參考書。

第1章 材料資料採擷綜述 001
1.1 材料資料採擷的研究背景 001
1.1.1 材料資料採擷與材料設計 004
1.1.2 材料資料採擷與材料資訊學 006
1.1.3 材料資料採擷與材料基因組工程 008
1.1.4 材料資料採擷與材料工業優化 011
1.2 材料資料採擷方法概要 012
1.2.1 材料資料採擷問題的數學表達 013
1.2.2 材料資料採擷模型的“過擬合”和“欠擬合”問題 013
1.2.3 材料資料採擷的常用方法 015
1.2.4 材料資料採擷的基本流程 019
1.3 材料資料採擷應用進展 021
1.4 材料資料採擷發展趨勢 023
參考文獻 025

第2章 回歸分析 029
2.1 回歸分析方法概論 029
2.2 線性回歸 030
2.2.1 一元線性回歸 030
2.2.2 多元線性回歸 032
2.2.3 違背基本假設的情況與處理 033
2.3 嶺回歸 034
2.4 套索演算法 036
2.5 偏最小二乘回歸 038
2.6 邏輯回歸 040
參考文獻 042

第3章 統計模式識別 043
3.1 統計模式識別概論 043
3.2 最近鄰 045
3.3 主成分分析 046
3.4 多重判別向量和費歇爾判別向量 048
3.5 非線性映照 052
3.6 模式識別應用技術 053
3.6.1 最佳投影識別 054
3.6.2 超多面體建模 056
3.6.3 逐級投影建模 056
3.6.4 最佳投影回歸 058
3.6.5 模式識別逆投影 061
參考文獻 062

第4章 決策樹 063
4.1 決策樹概論 063
4.2 決策樹 064
4.3 隨機決策樹 066
4.4 隨機森林 067
4.5 梯度提升決策樹 069
4.6 極限梯度提升演算法 071
4.7 快速梯度提升演算法 074
參考文獻 076

第5章 聚類方法 077
5.1 k均值聚類方法 077
5.2 雜訊密度聚類方法 078
5.3 評估指標 079
參考文獻 081

第6章 人工神經網路 082
6.1 反向人工神經網路 083
6.2 Kohonen自組織網路 085
參考文獻 086

第7章 遺傳演算法和遺傳回歸 087
7.1 遺傳演算法 087
7.2 遺傳回歸 089
參考文獻 092

第8章 支援向量機方法 094
8.1 統計學習理論簡介 095
8.1.1 背景 095
8.1.2 原理 095
8.2 支援向量分類演算法 097
8.2.1 線性可分情形 097
8.2.2 非線性可分情形 098
8.3 支援向量機的核函數 099
8.4 支援向量回歸方法 101
8.4.1 線性回歸情形 101
8.4.2 非線性回歸情形 102
8.5 支援向量機分類與回歸演算法的實現 103
8.6 應用前景 104
參考文獻 105

第9章 集成學習方法 107
9.1 集成學習演算法概述 107
9.2 Boosting演算法 110
9.3 AdaBoost演算法 111
9.4 Bagging演算法 113
參考文獻 114

第10章 特徵選擇方法和應用 116
10.1 特徵變數篩選方法概論 116
10.2 過濾式 118
10.2.1 方差選擇法 118
10.2.2 相關係數法 118
10.2.3 最大資訊係數 119
10.2.4 最大相關最小冗餘 120
10.2.5 卡方檢驗 121
10.2.6 Relief 121
10.3 封裝式 122
10.3.1 全域最優搜索 122
10.3.2 啟發式搜索 123
10.3.3 隨機搜索 124
10.4 嵌入式 124
10.5 小結 125
參考文獻 126

第11章 材料資料採擷線上計算平臺 128
11.1 材料資料採擷線上計算平臺技術簡介 128
11.1.1 OCPMDM平臺架構 129
11.1.2 OCPMDM平臺技術簡介 130
11.1.3 分散式運算簡介與使用 131
11.2 材料資料採擷線上計算平臺功能介紹 132
11.2.1 機器學習演算法 133
11.2.2 材料描述符填充 134
11.2.3 資料特徵篩選 134
11.2.4 智能建模 135
11.2.5 鈣鈦礦材料高通量虛擬篩選 135
11.2.6 模型分享 135
11.3 材料資料採擷線上計算平臺應用案例 136
11.3.1 資料來源 136
11.3.2 研究流程 137
11.3.3 結果與討論 137
11.4 小結 145
參考文獻 146

第12章 鈣鈦礦型材料的資料採擷 148
12.1 鈣鈦礦型材料資料採擷概論 148
12.2 鈣鈦礦型材料居裡溫度的資料採擷 149
12.2.1 資料集 150
12.2.2 特徵變數篩選 151
12.2.3 參數優化 152
12.2.4 模型的評價 154
12.2.5 模型的檢驗 156
12.2.6 虛擬篩選 156
12.3 鈣鈦礦型材料比表面積的資料採擷 158
12.3.1 資料集 159
12.3.2 特徵變數篩選 160
12.3.3 SVR模型的建立與留一法檢驗 162
12.3.4 與其他演算法的結果比較 165
12.3.5 SVR外部測試集驗證 165
12.3.6 高通量篩選 167
12.3.7 模型分享 169
12.3.8 模型的模式識別解釋 169
12.3.9 模型的敏感性分析 170
12.4 小結 172
參考文獻 173

第13章 染料敏化太陽能電池材料的資料採擷 176
13.1 概述 176
13.1.1 染料敏化太陽能電池 176
13.1.2 染料敏化劑及其資料採擷研究現狀 177
13.1.3 N-P類敏化劑研究現狀 179
13.2 N-P類敏化劑的資料採擷 179
13.2.1 資料集與特徵變數的計算 180
13.2.2 特徵變數的篩選和建模 181
13.2.3 模型的驗證 184
13.3 分子設計與性能預報 185
13.3.1 特徵變數的解釋 185
13.3.2 分子設計與PCE預報 187
13.4 量化驗證 189
13.4.1 計算方法 189
13.4.2 電子結構 191
13.4.3 吸收光譜 194
13.4.4 染料和TiO2絡合物 195
13.4.5 綜合效率 196
13.5 小結 199
參考文獻 200

第14章 高分子材料的資料採擷 204
14.1 概述 204
14.1.1 高分子材料資料採擷研究現狀 205
14.1.2 高分子指紋描述符 206
14.2 高分子材料設計演算法 207
14.2.1 遺傳演算法 207
14.2.2 貝葉斯演算法 208
14.3 高分子禁帶寬度的資料採擷 210
14.3.1 研究背景 210
14.3.2 資料集 210
14.3.3 DFT方法探索 211
14.3.4 特徵變數篩選 212
14.3.5 模型篩選 212
14.3.6 SVC模型的建立與驗證 215
14.3.7 特徵相關性分析 216
14.3.8 特徵敏感性分析 218
14.3.9 模型分享 219
14.3.10 分子設計 219
14.4 小結 221
參考文獻 221

第15章 基於資料採擷的氟橡膠門尼黏度優化控制 223
15.1 研究背景 223
15.2 研究思路 225
15.3 研究內容 225
15.4 氟橡膠生產優化控制軟體BDMOS介紹 227
15.5 BDMOS軟體具體功能 228
15.5.1 數據導入 228
15.5.2 統計資訊 230
15.5.3 變數重要性分析 234
15.5.4 資料採擷模型 234
15.6 氟橡膠簡介 239
15.7 氟橡膠生產資料採擷 242
15.7.1 資料集收集 242
15.7.2 模型建立 245
15.7.3 模型檢驗 246
15.8 小結 248
參考文獻 249
索引 250