材料设计方法.doc

在模式识别、人工神经网络方法中，为什么要进行数据预处理？如何进行预数据处理？ 答：进行数据预处理有四点原因： 1. 原数据可能数据量很大，维数很，计算机处理起来时间复杂度很高，预处理可以降低数据维度。 2. 数据的很多特性非常影响神经网络等分类模型的效果。比如数据值得分布不在一个尺度上，当地气温值与当地月工资显然不在一个数量级上，这时，需要数据规范化，把这两个特征的数据都规范到0到1，这样使得它们对模型的影响具有同样的尺度。 3.在基于统计方法的生物识别技术领域，所谓的预处理一般是指去除噪声的干扰，加强有效信息的过程。前面已经提到，原始数据的采集不可避免的要引入一些噪声的干扰，对于一个实际的生物识别系统而言，预处理是一个必要的环节。但是，需要注意的是，虽说预处理的作用都是减弱甚至消除噪声的干扰，同时增强有用信息的强度，不过，针对不同的特征，预处理的方法也是千差万别。 4. 数据预处理还有很多，比如中心化，去噪，降维，平滑，变换等等，各有各的目的，总之都是为了最终分类器的效果服务，由于原数据可能含有大量的噪声，去除噪声是有必要的。 由于BP神经网络的隐层一般采用Sigmoid转换函数，为提高训练速度和灵敏性以及有效避开Sigmoid函数的饱和区，一般要求输入数据的值在0~1之间。因此，要对输入数据进行预处理。一般要求对不同变量分别进行预处理，也可以对类似性质的变量进行统一的预处理。如果输出层节点也采用Sigmoid转换函数，输出变量也必须作相应的预处理，否则，输出变量也可以不做预处理。 预处理的方法有多种多样，各文献采用的公式也不尽相同。但必须注意的是，预处理的数据训练完成后，网络输出的结果要进行反变换才能得到实际值。再者，为保证建立的模型具有一定的外推能力，最好使数据预处理后的值在0.2~0.8之间。 在训练神经网络前一般需要对数据进行预处理，一种重要的预处理手段是归一化处理。下面简要介绍归一化处理的原理与方法。 (1) 什么是归一化？ 数据归一化，就是将数据映射到[0,1]或[-1,1]区间或更小的区间，比如(0.1,0.9) 。 (2) 为什么要归一化处理？ 1输入数据的单位不一样，有些数据的范围可能特别大，导致的结果是神经网络收敛慢、训练时间长。2数据范围大的输入在模式分类中的作用可能会偏大，而数据范围小的输入作用就可能会偏小。3由于神经网络输出层的激活函数的值域是有限制的，因此需要将网络训练的目标数据映射到激活函数的值域。例如神经网络的输出层若采用S形激活函数，由于S形函数的值域限制在(0,1)，也就是说神经网络的输出只能限制在(0,1)，所以训练数据的输出就要归一化到[0,1]区间。 4S形激活函数在(0,1)区间以外区域很平缓，区分度太小。例如S形函数f(X)在参数a=1时，f(100)与f(5)只相差0.0067。 (3) 归一化算法 一种简单而快速的归一化算法是线性转换算法。线性转换算法常见有两种形式：1y = ( x - min )/( max - min )，其中min为x的最小值，max为x的最大值，输入向量为x，归一化后的输出向量为y 。上式将数据归一化到 [ 0 , 1 ]区间，当激活函数采用S形函数时（值域为(0,1)）时这条式子适用。2y = 2 * ( x - min ) / ( max - min ) - 1。这条公式将数据归一化到 [ -1 , 1 ] 区间。当激活函数采用双极S形函数（值域为(-1,1)）时这条式子适用。 (1) 它是一个完备集合，可由它们线性组合得到任意的分子轨道；(2) 与被描述的分子或原子体系有正确的近似关系，这样可用较少的基函数来较精确地描述分子轨道；(3) 由这组基函数系定义的分子积分，特别是多中心电子积分容易计算，随后进行的自洽迭代收敛比较快。 原子轨道基函数，即基组。STO-GTO系基组，STO即Slater型轨道;GTO即GAUSS型轨道。STO-GTO基组是以STO作为自洽场的基函数，而每个STO用若干个GTO来逼近。解出的分子轨道仍用STO的线性组合来表示，而GTO不作为原子轨道，仅作为中间数学工具。 常用基组： （1）极小基组，或STO-3G，3G表示3个高斯函数。STO-3G 基组是规模最小的压缩高斯型基组。STO-3G 基组用三个高斯型函数的线性组合来描述一个原子轨道，对原子轨道列出 HF 方程进行自洽场计算，以获得高斯型函数的指数和组合系数。STO-3G 基组规模小，计算精度相对差，但是计算量最小，适合较大分子体系的计算。 （2）劈裂价键基组（3-21G、4-21G、4-31G、6-31G、6-311G 等）。如 6-311G 所代表的基组，每个内层电子轨道是由 6 个高斯型函数线性组合而成，每个价层电