支持向量机及ChemSVM软件在若干化学问题中的运用.pdfVIP

上海太学硕士论文 2004年2月 摘要 由于计算机技术的发展。数据挖掘(包括线性和非线性回归、人工神经网络、 模式识别算法等)已成为处理化学化工数据，总结经验规律，据以预报未知或控 制生产过程的常规手段。 但是，传统的机器学习算法都以经典统计数学的渐进理论为依据。该理论的 大数定理规定，统计规律只有在己知样本数无限多时才显露出来。但化学化工实 际工作中已知样本总是有限的。同时，化学、化工领域中多数数据处理问题属于 数学中的“不适定问题”(i11．posedproblem)，而传统的化学计量学算法忽略了这 一特点，将其作为“适定问题”(well．posedproblem)求解。忽视这些矛盾是造 成实际计算中“过拟合”弊病的重要原因。 针对经典统计数学这一弱点，Vladimir N．Vapnik及其合作者提出了“统计 学习理论”和“支持向量机”算法。“支持向量机”(SVM)算法是特别适合于 用有限己知样本训练建模，进而预报未知样本属性的数据挖掘新算法。由于它根 据严格的数学理论，同时考虑了拟合精度和对“过拟合”的抑制，放能基于小样 本集作较可靠的计算机预报。且因采用核函数算法，故能有效处理非线性数据集。 本文简要描述了统计学习理论和支持向量机酌主要理论成果和框架，并根据 文献编写了基于新算法“支持向量机”的软件“ChemSVM”。 同时，我们的研究进一步表明：该算法在新材料制备的实验设计(如纳米氧 化钛在水中的分散效果与磨砂参数之间关系的建模与预报，镍氢电池阴极材料设 cl系等若干熔盐系中间化合物形成规律的建模与预报)、有机毒物的建模和预报 (如多环芳烃的环化指标与其分子几何参数之间关系的建模与预报)等领域的应 用都有良好的效果。 笔者认为，“支持向量机”算法具有很好的应用潜力，将会成为化学、化工 领域数据处理广泛应用的新计算工具。 关键词：数据挖掘，过拟合，支持向量机，材料设计，QSPR II 上海大学硬士论文 2004年2月 Abstract the Since of scienceand progresscomputer technology,datamining(including linearor neural nonlinear networkand regression，artificial patternrecognition theuseful in become toolfordata thefieldsof and methods)has processing chemistry chemical engineering． Thetraditionaldata methodsarebasedonthe of theory processing asymptotic the classicalstatistical that canbe mathematics，which ability