《化學計量學研究方法》是2013年科學出版社有限責任公司出版的圖書，作者是盧小泉、陳晶、周喜斌。
基本介紹
- 書名：化學計量學研究方法
- 作者：盧小泉，陳晶，周喜斌
- ISBN：9787030372710
- 頁數：328
- 定價：85.00元
- 出版社：科學出版社有限責任公司
- 出版時間：2013-5
- 裝幀：精裝
內容簡介,目錄,
內容簡介
化學計量學作為化學領域中的一個重要交叉學科已在科研領域顯示出了強大的生命力。本書圍繞化學量測過程中的實際問題，結合作者多年來在這一領域的科研成果和教學經驗，主要介紹了化學計量學的常用研究方法及其在相關科研領域的套用。本書的內容包括了化學計量學的主要內容，共分10章，各章節內容分別為：1）誤差及數理統計基礎；2）線性回歸分析方法；3）數據平滑方法；4）主成分分析和因子分析；5）小波分析；6）偏最小二乘；7）模式識別；8）遺傳算法；9）人工神經網路；10）支持向量機。同時，本書附錄列出了化學計量學的一些常用數據信息，以方便讀者查閱。
目錄
前言
第1章 誤差及數理統計基礎
1.1 統計學中的幾個基本概念
1.1.1 隨機變數
1.1.2 總體與樣本
1.1.3 統計量
1.2 誤差
1.2.1 誤差的定義和表示
1.2.2 誤差的分類
1.2.3 誤差的傳遞
1.2.4 精密度和準確度
1.3 參數估計
1.3.1 定義
1.3.2 估計量的判別標準
1.4 假設檢驗 前言第1章 誤差及數理統計基礎1.1 統計學中的幾個基本概念1.1.1 隨機變數1.1.2 總體與樣本1.1.3 統計量1.2 誤差1.2.1 誤差的定義和表示1.2.2 誤差的分類1.2.3 誤差的傳遞1.2.4 精密度和準確度1.3 參數估計1.3.1 定義1.3.2 估計量的判別標準1.4 假設檢驗1.4.1 假設檢驗的分類和概念1.4.2 兩種錯誤1.4.3 假設檢驗的步驟1.5 隨機誤差的分布及置信區間1.5.1 常態分配1.5.2 置信區間1.5.3 置信區間的其他套用1.6 顯著性檢驗1.6.1 顯著性水平1.6.2 t檢驗1.6.3 F檢驗1.7 可疑值的剔除1.7.1 格魯布斯法1.7.2 狄克松法參考文獻第2章 常見的數據預處理和平滑方法2.1 數據歸一化/標準化和變換方法2.1.1 數據歸一化/標準化方法2.1.2 數據的變換方法2.2 數據降維方法2.3 異常數據檢測方法和空缺值處理方法2.3.1 異常數據檢測方法2.3.2 空缺值處理方法2.4 噪聲數據處理方法2.4.1 視窗移動平均法2.4.2 視窗移動多項式最小二乘平滑法2.4.3 穩健中位數平滑法2.4.4 傅立葉變換平滑2.4.5 小波變換平滑2.5 其他常見數據預處理的方法參考文獻第3章 線性回歸分析3.1 一元線性回歸3.1.1 模型的建立與常態分配假設3.1.2 參數的最小二乘估計3.1.3 一元回歸方程的求法3.1.4 斜率β1和截距β0的區間估計3.1.5 回歸方程的顯著性檢驗3.1.6 相關係數和相關係數的假設檢驗3.1.7 方差分配3.1.8 標準加入法3.2 多元線性回歸3.2.1 模型建立與常態分配假設3.2.2 參數的最小二乘估計3.2.3 多元線性回歸方程的求法3.2.4 多元回歸方程的方差分析和顯著性檢驗3.2.5 回歸分析中的復共線性3.3 最小二乘法線性回歸3.4 逐步回歸3.4.1 逐步回歸的基本原理3.4.2 逐步回歸的具體步驟3.4.3 容許值和容許值水平界限參考文獻第4章 主成分分析4.1 概述4.2 基本原理4.2.1 主成分分析的基本原理4.2.2 主成分分析的數學模型4.2.3 主成分的幾何意義4.3 主成分的性質4.4 主成分的推導4.5 主成分分析的相關計算4.5.1 主成分的方差貢獻率4.5.2 原始變數被主成分的提取率4.5.3 主成分載荷的計算4.5.4 矩陣XTX特徵值的算法4.5.5 基於主成分分析的體系組分數確定方法4.6 主成分分析的步驟4.6.1 樣本數據標準化4.6.2 計算相關係數矩陣4.6.3 求R的特徵值和特徵向量4.6.4 重要主成分的選擇4.6.5 主成分得分4.7 主成分回歸4.8 主成分分析的主要套用4.8.1 投影顯示法4.8.2 主成分分析在多指標綜合評價中的套用4.8.3 主成分分析在系統評價中的套用參考文獻第5章 因子分析5.1 因子分析的基本原理5.2 主因子分析5.2.1 基本原理5.2.2 因子數的確定5.2.3 方差最大正交因子旋轉5.2.4 因子得分5.3 雅可比算法5.4 目標轉換因子分析5.5 疊代目標轉換因子分析法5.6 漸進因子分析5.6.1 基本原理5.6.2 固定尺寸移動視窗漸進因子分析法5.7 因子分析在多組分同時測定中的套用5.8 數據例解參考文獻第6章 偏最小二乘法6.1 偏最小二乘原理6.2 偏最小二乘算法6.2.1 處理單目標變數問題的偏最小二乘算法6.2.2 處理樣本少變數多問題的偏最小二乘算法6.2.3 偏最小二乘的簡單疊代算法6.2.4 偏最小二乘算法中矢量的性質6.3 偏最小二乘法的交叉有效性6.4 非線性偏最小二乘6.5 套用實例參考文獻第7章 小波變換分析技術7.1 小波分析簡介7.2 小波分析理論7.2.1 小波的定義7.2.2 小波的多分辨分析7.2.3 連續小波變換7.2.4 離散小波變換及逆變換7.2.5 小波函式7.2.6 小波包7.3 重疊分析信號的小波分析方法7.4 小波變換的頻率分析方法7.5 小波主成分分析7.5.1 主成分分析7.5.2 小波主成分分析7.5.3 小波主成分分析的套用7.6 小波神經網路及其在化學信號分析中的套用7.6.1 小波和神經網路的結合7.6.2 小波神經網路在化學中的套用7.7 二維小波分析7.7.1 二維小波變換7.7.2 Matlab中二維小波變換7.8 小波分析的其他套用7.8.1 小波分析在分子生物信息學中的套用7.8.2 樣條小波分析在電分析信號中的套用7.8.3 Daubechies正交小波在處理分析化學信號中的套用7.8.4 小波包分析在化學信號分析中的套用參考文獻第8章 化學模式識別8.1 概述8.1.1 幾個概念8.1.2 模式空間的相似係數與距離8.1.3 模式識別中的分類問題8.1.4 模式識別中方法的分類8.1.5 計算機模式識別方法8.1.6 模式識別的計算步驟8.2 特徵抽取方法8.2.1 特徵抽取方法8.2.2 特徵選擇中應注意的問題8.2.3 化學模式識別中的特徵變數8.3 有監督的模式識別方法:判別分析法8.3.1 距離判別法8.3.2 Fisher判別分析法8.3.3 Bayes判別分析法8.3.4 線性學習機8.3.5 K-最近鄰法8.3.6 ALKNN8.4 無監督的模式識別方法:聚類分析法8.4.1 聚類分析的基本原理8.4.2 聚類過程8.4.3 聚類分析算法分類8.5 基於特徵投影的降維顯示方法8.5.1 基於主成分分析的投影顯示法8.5.2 基於主成分分析的SIMCA分類法8.5.3 基於偏最小二乘的降維方法8.5.4 非線性投影方法參考文獻第9章 遺傳算法9.1 遺傳算法簡介9.2 遺傳算法的特點9.3 遺傳算法的流程9.3.1 編碼9.3.2 初始種群的建立9.3.3 適應度函式的設計9.3.4 遺傳操作設計9.3.5 控制參數的設定9.4 遺傳操作設計9.4.1 複製9.4.2 交換9.4.3 變異9.5 遺傳算法的終止條件9.6 遺傳算法的套用9.6.1 遺傳算法在變數篩選中的套用9.6.2 遺傳算法在函式最佳化上的套用9.6.3 遺傳算法在組合最佳化中的套用9.6.4 遺傳算法在機器學習和人工生命中的套用9.6.5 遺傳算法在圖像處理和模式識別中的套用9.6.6 遺傳算法在生產調度問題中的套用參考文獻第10章 人工神經網路法及其在化學中的套用10.1 引言10.2 模式神經元網路的算法改進10.2.1 記憶-遺忘曲線及其原理10.2.2 改進後的人工神經網路10.2.3 人工神經網路的改進之處10.3 反向傳輸人工神經網路算法10.3.1 方法原理10.3.2 BFGS算法10.3.3 數據預處理及網路結點數10.3.4 測試集的監控和最優模型的選擇10.3.5 BP神經網路結構10.3.6 精確值計算和模式識別10.3.7 人工神經網路的過擬合和過訓練問題10.4 Kohonen自組織特徵映射模型10.5 Hopfield神經網路10.6 人工神經網路的套用10.6.1 對多組分的測定10.6.2 在紡織中套用10.6.3 藥效預測10.6.4 在其他方面的套用參考文獻第11章 支持向量機11.1 支持向量機概述11.1.1 VC維理論及推廣性11.1.2 結構風險最小化原理11.1.3 支持向量機的基本原理11.1.4 支持向量機的學習算法11.1.5 支持向量機的優點11.1.6 支持向量機的一般步驟11.2 支持向量分類算法11.2.1 兩類被分類問題11.2.2 多類別分類方法11.2.3 最大間隔分類器11.2.4 軟間隔最佳化11.3 支持向量回歸11.3.1 支持向量回歸的基本理論11.3.2 ε不敏感損失回歸11.3.3 核嶺回歸11.3.4 高斯過程11.4 支持向量機的套用11.4.1 文本分類11.4.2 信息檢索11.4.3 圖像識別11.4.4 在醫學上的套用11.4.5 手寫數字識別參考文獻第12章 定量構效活性關係12.1 QSPR/QSAR的研究進展12.1.1 局部QSPR/QSAR模型12.1.2 反向QSPR/QSAR12.1.3 高維(High-dimensional)QSAR模型12.2 分子描述符的計算12.3 描述符的選擇12.3.1 遺傳算法(GA)12.3.2 逐步回歸法12.3.3 啟發式方法(HM)12.3.4 主成分分析(PCA)12.3.5 變數最優子集回歸法(LBR)12.3.6 模擬退火算法(SAA)12.4 建模方法12.4.1 2D-QSAR建模方法12.4.2 3D-QSAR建模方法12.5 模型驗證12.6 QSPR/QSAR的套用12.6.1 QSPR/QSAR在色譜分析中的套用研究12.6.2 QSPR/QSAR在毛細管電泳分析中的套用研究12.6.3 在環境化學中的套用12.6.4 生物製藥方面的套用12.6.5 在食品化學中的套用12.6.6 結論與展望參考文獻附錄1 化學計量學中常見的矩陣基本知識附錄2 化學計量學中常見的取值表
第1章 誤差及數理統計基礎
1.1 統計學中的幾個基本概念
1.1.1 隨機變數
1.1.2 總體與樣本
1.1.3 統計量
1.2 誤差
1.2.1 誤差的定義和表示
1.2.2 誤差的分類
1.2.3 誤差的傳遞
1.2.4 精密度和準確度
1.3 參數估計
1.3.1 定義
1.3.2 估計量的判別標準
1.4 假設檢驗 前言第1章 誤差及數理統計基礎1.1 統計學中的幾個基本概念1.1.1 隨機變數1.1.2 總體與樣本1.1.3 統計量1.2 誤差1.2.1 誤差的定義和表示1.2.2 誤差的分類1.2.3 誤差的傳遞1.2.4 精密度和準確度1.3 參數估計1.3.1 定義1.3.2 估計量的判別標準1.4 假設檢驗1.4.1 假設檢驗的分類和概念1.4.2 兩種錯誤1.4.3 假設檢驗的步驟1.5 隨機誤差的分布及置信區間1.5.1 常態分配1.5.2 置信區間1.5.3 置信區間的其他套用1.6 顯著性檢驗1.6.1 顯著性水平1.6.2 t檢驗1.6.3 F檢驗1.7 可疑值的剔除1.7.1 格魯布斯法1.7.2 狄克松法參考文獻第2章 常見的數據預處理和平滑方法2.1 數據歸一化/標準化和變換方法2.1.1 數據歸一化/標準化方法2.1.2 數據的變換方法2.2 數據降維方法2.3 異常數據檢測方法和空缺值處理方法2.3.1 異常數據檢測方法2.3.2 空缺值處理方法2.4 噪聲數據處理方法2.4.1 視窗移動平均法2.4.2 視窗移動多項式最小二乘平滑法2.4.3 穩健中位數平滑法2.4.4 傅立葉變換平滑2.4.5 小波變換平滑2.5 其他常見數據預處理的方法參考文獻第3章 線性回歸分析3.1 一元線性回歸3.1.1 模型的建立與常態分配假設3.1.2 參數的最小二乘估計3.1.3 一元回歸方程的求法3.1.4 斜率β1和截距β0的區間估計3.1.5 回歸方程的顯著性檢驗3.1.6 相關係數和相關係數的假設檢驗3.1.7 方差分配3.1.8 標準加入法3.2 多元線性回歸3.2.1 模型建立與常態分配假設3.2.2 參數的最小二乘估計3.2.3 多元線性回歸方程的求法3.2.4 多元回歸方程的方差分析和顯著性檢驗3.2.5 回歸分析中的復共線性3.3 最小二乘法線性回歸3.4 逐步回歸3.4.1 逐步回歸的基本原理3.4.2 逐步回歸的具體步驟3.4.3 容許值和容許值水平界限參考文獻第4章 主成分分析4.1 概述4.2 基本原理4.2.1 主成分分析的基本原理4.2.2 主成分分析的數學模型4.2.3 主成分的幾何意義4.3 主成分的性質4.4 主成分的推導4.5 主成分分析的相關計算4.5.1 主成分的方差貢獻率4.5.2 原始變數被主成分的提取率4.5.3 主成分載荷的計算4.5.4 矩陣XTX特徵值的算法4.5.5 基於主成分分析的體系組分數確定方法4.6 主成分分析的步驟4.6.1 樣本數據標準化4.6.2 計算相關係數矩陣4.6.3 求R的特徵值和特徵向量4.6.4 重要主成分的選擇4.6.5 主成分得分4.7 主成分回歸4.8 主成分分析的主要套用4.8.1 投影顯示法4.8.2 主成分分析在多指標綜合評價中的套用4.8.3 主成分分析在系統評價中的套用參考文獻第5章 因子分析5.1 因子分析的基本原理5.2 主因子分析5.2.1 基本原理5.2.2 因子數的確定5.2.3 方差最大正交因子旋轉5.2.4 因子得分5.3 雅可比算法5.4 目標轉換因子分析5.5 疊代目標轉換因子分析法5.6 漸進因子分析5.6.1 基本原理5.6.2 固定尺寸移動視窗漸進因子分析法5.7 因子分析在多組分同時測定中的套用5.8 數據例解參考文獻第6章 偏最小二乘法6.1 偏最小二乘原理6.2 偏最小二乘算法6.2.1 處理單目標變數問題的偏最小二乘算法6.2.2 處理樣本少變數多問題的偏最小二乘算法6.2.3 偏最小二乘的簡單疊代算法6.2.4 偏最小二乘算法中矢量的性質6.3 偏最小二乘法的交叉有效性6.4 非線性偏最小二乘6.5 套用實例參考文獻第7章 小波變換分析技術7.1 小波分析簡介7.2 小波分析理論7.2.1 小波的定義7.2.2 小波的多分辨分析7.2.3 連續小波變換7.2.4 離散小波變換及逆變換7.2.5 小波函式7.2.6 小波包7.3 重疊分析信號的小波分析方法7.4 小波變換的頻率分析方法7.5 小波主成分分析7.5.1 主成分分析7.5.2 小波主成分分析7.5.3 小波主成分分析的套用7.6 小波神經網路及其在化學信號分析中的套用7.6.1 小波和神經網路的結合7.6.2 小波神經網路在化學中的套用7.7 二維小波分析7.7.1 二維小波變換7.7.2 Matlab中二維小波變換7.8 小波分析的其他套用7.8.1 小波分析在分子生物信息學中的套用7.8.2 樣條小波分析在電分析信號中的套用7.8.3 Daubechies正交小波在處理分析化學信號中的套用7.8.4 小波包分析在化學信號分析中的套用參考文獻第8章 化學模式識別8.1 概述8.1.1 幾個概念8.1.2 模式空間的相似係數與距離8.1.3 模式識別中的分類問題8.1.4 模式識別中方法的分類8.1.5 計算機模式識別方法8.1.6 模式識別的計算步驟8.2 特徵抽取方法8.2.1 特徵抽取方法8.2.2 特徵選擇中應注意的問題8.2.3 化學模式識別中的特徵變數8.3 有監督的模式識別方法:判別分析法8.3.1 距離判別法8.3.2 Fisher判別分析法8.3.3 Bayes判別分析法8.3.4 線性學習機8.3.5 K-最近鄰法8.3.6 ALKNN8.4 無監督的模式識別方法:聚類分析法8.4.1 聚類分析的基本原理8.4.2 聚類過程8.4.3 聚類分析算法分類8.5 基於特徵投影的降維顯示方法8.5.1 基於主成分分析的投影顯示法8.5.2 基於主成分分析的SIMCA分類法8.5.3 基於偏最小二乘的降維方法8.5.4 非線性投影方法參考文獻第9章 遺傳算法9.1 遺傳算法簡介9.2 遺傳算法的特點9.3 遺傳算法的流程9.3.1 編碼9.3.2 初始種群的建立9.3.3 適應度函式的設計9.3.4 遺傳操作設計9.3.5 控制參數的設定9.4 遺傳操作設計9.4.1 複製9.4.2 交換9.4.3 變異9.5 遺傳算法的終止條件9.6 遺傳算法的套用9.6.1 遺傳算法在變數篩選中的套用9.6.2 遺傳算法在函式最佳化上的套用9.6.3 遺傳算法在組合最佳化中的套用9.6.4 遺傳算法在機器學習和人工生命中的套用9.6.5 遺傳算法在圖像處理和模式識別中的套用9.6.6 遺傳算法在生產調度問題中的套用參考文獻第10章 人工神經網路法及其在化學中的套用10.1 引言10.2 模式神經元網路的算法改進10.2.1 記憶-遺忘曲線及其原理10.2.2 改進後的人工神經網路10.2.3 人工神經網路的改進之處10.3 反向傳輸人工神經網路算法10.3.1 方法原理10.3.2 BFGS算法10.3.3 數據預處理及網路結點數10.3.4 測試集的監控和最優模型的選擇10.3.5 BP神經網路結構10.3.6 精確值計算和模式識別10.3.7 人工神經網路的過擬合和過訓練問題10.4 Kohonen自組織特徵映射模型10.5 Hopfield神經網路10.6 人工神經網路的套用10.6.1 對多組分的測定10.6.2 在紡織中套用10.6.3 藥效預測10.6.4 在其他方面的套用參考文獻第11章 支持向量機11.1 支持向量機概述11.1.1 VC維理論及推廣性11.1.2 結構風險最小化原理11.1.3 支持向量機的基本原理11.1.4 支持向量機的學習算法11.1.5 支持向量機的優點11.1.6 支持向量機的一般步驟11.2 支持向量分類算法11.2.1 兩類被分類問題11.2.2 多類別分類方法11.2.3 最大間隔分類器11.2.4 軟間隔最佳化11.3 支持向量回歸11.3.1 支持向量回歸的基本理論11.3.2 ε不敏感損失回歸11.3.3 核嶺回歸11.3.4 高斯過程11.4 支持向量機的套用11.4.1 文本分類11.4.2 信息檢索11.4.3 圖像識別11.4.4 在醫學上的套用11.4.5 手寫數字識別參考文獻第12章 定量構效活性關係12.1 QSPR/QSAR的研究進展12.1.1 局部QSPR/QSAR模型12.1.2 反向QSPR/QSAR12.1.3 高維(High-dimensional)QSAR模型12.2 分子描述符的計算12.3 描述符的選擇12.3.1 遺傳算法(GA)12.3.2 逐步回歸法12.3.3 啟發式方法(HM)12.3.4 主成分分析(PCA)12.3.5 變數最優子集回歸法(LBR)12.3.6 模擬退火算法(SAA)12.4 建模方法12.4.1 2D-QSAR建模方法12.4.2 3D-QSAR建模方法12.5 模型驗證12.6 QSPR/QSAR的套用12.6.1 QSPR/QSAR在色譜分析中的套用研究12.6.2 QSPR/QSAR在毛細管電泳分析中的套用研究12.6.3 在環境化學中的套用12.6.4 生物製藥方面的套用12.6.5 在食品化學中的套用12.6.6 結論與展望參考文獻附錄1 化學計量學中常見的矩陣基本知識附錄2 化學計量學中常見的取值表
