內容簡介
POD產品說明：
1. 本產品為按需印刷（POD）圖書，實行先付款，後印刷的流程。您在頁面購買且完成支付後，訂單轉交出版社。出版社根據您的訂單采用數字印刷的方式，單獨為您印制該圖書，屬於定制產品。
2. 按需印刷的圖書裝幀均為平裝書（含原為精裝的圖書）。由於印刷工藝、彩墨的批次不同，顏色會與老版本略有差異，但通常會比老版本的顏色更準確。原書內容含彩圖的，統一變成黑白圖，原書含光盤的，統一無法提供光盤。
3. 按需印刷的圖書制作成本高於傳統的單本成本，因此售價高於原書定價。
4. 按需印刷的圖書，出版社生產周期一般為15個工作日（特殊情況除外）。請您耐心等待。
5. 按需印刷的圖書，屬於定制產品，不可取消訂單，無質量問題不支持退貨。POD產品說明：
1. 本產品為按需印刷（POD）圖書，實行先付款，後印刷的流程。您在頁面購買且完成支付後，訂單轉交出版社。出版社根據您的訂單采用數字印刷的方式，單獨為您印制該圖書，屬於定制產品。
2. 按需印刷的圖書裝幀均為平裝書（含原為精裝的圖書）。由於印刷工藝、彩墨的批次不同，顏色會與老版本略有差異，但通常會比老版本的顏色更準確。原書內容含彩圖的，統一變成黑白圖，原書含光盤的，統一無法提供光盤。
3. 按需印刷的圖書制作成本高於傳統的單本成本，因此售價高於原書定價。
4. 按需印刷的圖書，出版社生產周期一般為15個工作日（特殊情況除外）。請您耐心等待。
5. 按需印刷的圖書，屬於定制產品，不可取消訂單，無質量問題不支持退貨。
【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 *變量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 *誤差的分布及置信區間1.5.1 正態分布1.5.2 置信區間1.5.3 置信區間的其他應用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 窗口移動平均法2.4.2 窗口移動多項式*小二乘平滑法2.4.3 穩健中位數平滑法2.4.4 傅裡葉變換平滑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.線性回歸3.1.1 模型的建立與正態分布假設3.1.2 參數的*小二乘估計3.1.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 相關繫數和相關繫數的假設檢驗3.1.7 方差分配3.1.8 標準加入法3.線性回歸3.2.1 模型建立與正態分布假設3.2.2 參數的*小二乘估計3.2.線性回歸方程的求法3.2.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 *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 原始變量被主成分的提取率4.5.3 主成分載荷的計算4.5.4 矩陣XTX特征值的算法4.5.5 基於主成分分析的體繫組分數確定方法4.6 主成分分析的步驟4.6.1 樣本數據標準化4.6.2 計算相關繫數矩陣4.6.3 求R的特征值和特征向量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 主成分分析的主要應用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應用4.8.3 主成分分析在繫統評價中的應用參考文獻第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*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 迭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 固定尺寸移動窗口漸進因子分析法5.7 因子分析在多組分同時測定中的應用5.8 數據例解參考文獻第6章 偏*小二乘法6.1 偏*小二乘原理6.2 偏*小二乘算法6.2.1 處理單目標變量問題的偏*小二乘算法6.2.2 處理樣本少變量多問題的偏*小二乘算法6.2.3 偏*小二乘的簡單迭代算法6.2.4 偏*小二乘算法中矢量的性質6.3 偏*小二乘法的交叉有效性6.4 非線性偏*小二乘6.5 應用實例參考文獻第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 小波函數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 小波主成分分析的應用7.6 小波神經網絡及其在化學信號分析中的應用7.6.1 小波和神經網絡的結合7.6.2 小波神經網絡在化學中的應用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 小波分析的其他應用7.8.1 小波分析在分子生物信息學中的應用7.8.2 樣條小波分析在電分析信號中的應用7.8.3 Daubechies正交小波在處理分析化學信號中的應用7.8.4 小波包分析在化學信號分析中的應用參考文獻第8章 化學模式識別8.1 概述8.1.1 幾個概念8.1.2 模式空間的相似繫數與距離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 特征抽取方法8.2.1 特征抽取方法8.2.2 特征選擇中應注意的問題8.2.3 化學模式識別中的特征變量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-*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 基於特征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*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 適應度函數的設計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 復制9.4.2 交換9.4.3 變異9.5 遺傳算法的終止條件9.6 遺傳算法的應用9.6.1 遺傳算法在變量篩選中的應用9.6.2 遺傳算法在函數優化上的應用9.6.3 遺傳算法在組合優化中的應用9.6.4 遺傳算法在機器學習和人工生命中的應用9.6.5 遺傳算法在圖像處理和模式識別中的應用9.6.6 遺傳算法在生產調度問題中的應用參考文獻第10章 人工神經網絡法及其在化學中的應用10.1 引言10.2 模網絡的算法改進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絡10.2.3 人工神經網絡的改進之處10.3 反向傳輸人工神經網絡算法10.3.1 方法原理10.3.2 BFGS算法10.3.3 數據預處理及網絡結點數10.3.4 測試集的監控和*模型的選擇10.3.5 BP神經網絡結構10.3.6 精確值計算和模式識別10.3.7 人工神經網絡的過擬合和過訓練問題10.4 Kohonen自組織特征映射模型10.5 Hopfield神經網絡10.6 人工神經網絡的應用10.6.1 對多組分的測定10.6.2 在紡織中應用10.6.3 藥效預測10.6.4 在其他方面的應用參考文獻第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*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 *間隔分類器11.2.4 軟間隔優化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 支持向量機的應用11.4.1 文本分類11.4.2 信息檢索11.4.3 圖像識別11.4.4 在醫學上的應用11.4.5 手寫數字識別參考文獻第12章 定量構效活性關繫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 變量*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的應用12.6.1 QSPR/QSAR在色譜分析中的應用研究12.6.2 QSPR/QSAR在毛細管電泳分析中的應用研究12.6.3 在環境化學中的應用12.6.4 生物制藥方面的應用12.6.5 在食品化學中的應用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
【內容簡介】作為一門正在發展的新興學科，化學計量學主要應用數學、統計學、計算機科學、化學等學科的理論和方法，研究化學量測理論和方法，設計和選擇*的化學量測方法，並通過對化學數據的解析，*限度地獲取有關物質繫統的化學信息。 全書共分12章，內容包括：數據預處理、線性回歸分析、主成分分析、因子分析、偏*小二乘法、小波分析、模式識別、遺傳算法、人工神經網絡、支持向量機及定量構效活性關繫等。 本書可作為化學及相關學科的研究生和高年級本科生的教材和參考書，也可作為化學、化工、工程等領域的科技工作者和高等學校教師的參考書。
1. 本產品為按需印刷（POD）圖書，實行先付款，後印刷的流程。您在頁面購買且完成支付後，訂單轉交出版社。出版社根據您的訂單采用數字印刷的方式，單獨為您印制該圖書，屬於定制產品。
2. 按需印刷的圖書裝幀均為平裝書（含原為精裝的圖書）。由於印刷工藝、彩墨的批次不同，顏色會與老版本略有差異，但通常會比老版本的顏色更準確。原書內容含彩圖的，統一變成黑白圖，原書含光盤的，統一無法提供光盤。
3. 按需印刷的圖書制作成本高於傳統的單本成本，因此售價高於原書定價。
4. 按需印刷的圖書，出版社生產周期一般為15個工作日（特殊情況除外）。請您耐心等待。
5. 按需印刷的圖書，屬於定制產品，不可取消訂單，無質量問題不支持退貨。POD產品說明：
1. 本產品為按需印刷（POD）圖書，實行先付款，後印刷的流程。您在頁面購買且完成支付後，訂單轉交出版社。出版社根據您的訂單采用數字印刷的方式，單獨為您印制該圖書，屬於定制產品。
2. 按需印刷的圖書裝幀均為平裝書（含原為精裝的圖書）。由於印刷工藝、彩墨的批次不同，顏色會與老版本略有差異，但通常會比老版本的顏色更準確。原書內容含彩圖的，統一變成黑白圖，原書含光盤的，統一無法提供光盤。
3. 按需印刷的圖書制作成本高於傳統的單本成本，因此售價高於原書定價。
4. 按需印刷的圖書，出版社生產周期一般為15個工作日（特殊情況除外）。請您耐心等待。
5. 按需印刷的圖書，屬於定制產品，不可取消訂單，無質量問題不支持退貨。
【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 *變量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 *誤差的分布及置信區間1.5.1 正態分布1.5.2 置信區間1.5.3 置信區間的其他應用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 窗口移動平均法2.4.2 窗口移動多項式*小二乘平滑法2.4.3 穩健中位數平滑法2.4.4 傅裡葉變換平滑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.線性回歸3.1.1 模型的建立與正態分布假設3.1.2 參數的*小二乘估計3.1.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 相關繫數和相關繫數的假設檢驗3.1.7 方差分配3.1.8 標準加入法3.線性回歸3.2.1 模型建立與正態分布假設3.2.2 參數的*小二乘估計3.2.線性回歸方程的求法3.2.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 *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 原始變量被主成分的提取率4.5.3 主成分載荷的計算4.5.4 矩陣XTX特征值的算法4.5.5 基於主成分分析的體繫組分數確定方法4.6 主成分分析的步驟4.6.1 樣本數據標準化4.6.2 計算相關繫數矩陣4.6.3 求R的特征值和特征向量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 主成分分析的主要應用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應用4.8.3 主成分分析在繫統評價中的應用參考文獻第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*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 迭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 固定尺寸移動窗口漸進因子分析法5.7 因子分析在多組分同時測定中的應用5.8 數據例解參考文獻第6章 偏*小二乘法6.1 偏*小二乘原理6.2 偏*小二乘算法6.2.1 處理單目標變量問題的偏*小二乘算法6.2.2 處理樣本少變量多問題的偏*小二乘算法6.2.3 偏*小二乘的簡單迭代算法6.2.4 偏*小二乘算法中矢量的性質6.3 偏*小二乘法的交叉有效性6.4 非線性偏*小二乘6.5 應用實例參考文獻第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 小波函數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 小波主成分分析的應用7.6 小波神經網絡及其在化學信號分析中的應用7.6.1 小波和神經網絡的結合7.6.2 小波神經網絡在化學中的應用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 小波分析的其他應用7.8.1 小波分析在分子生物信息學中的應用7.8.2 樣條小波分析在電分析信號中的應用7.8.3 Daubechies正交小波在處理分析化學信號中的應用7.8.4 小波包分析在化學信號分析中的應用參考文獻第8章 化學模式識別8.1 概述8.1.1 幾個概念8.1.2 模式空間的相似繫數與距離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 特征抽取方法8.2.1 特征抽取方法8.2.2 特征選擇中應注意的問題8.2.3 化學模式識別中的特征變量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-*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 基於特征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*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 適應度函數的設計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 復制9.4.2 交換9.4.3 變異9.5 遺傳算法的終止條件9.6 遺傳算法的應用9.6.1 遺傳算法在變量篩選中的應用9.6.2 遺傳算法在函數優化上的應用9.6.3 遺傳算法在組合優化中的應用9.6.4 遺傳算法在機器學習和人工生命中的應用9.6.5 遺傳算法在圖像處理和模式識別中的應用9.6.6 遺傳算法在生產調度問題中的應用參考文獻第10章 人工神經網絡法及其在化學中的應用10.1 引言10.2 模網絡的算法改進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絡10.2.3 人工神經網絡的改進之處10.3 反向傳輸人工神經網絡算法10.3.1 方法原理10.3.2 BFGS算法10.3.3 數據預處理及網絡結點數10.3.4 測試集的監控和*模型的選擇10.3.5 BP神經網絡結構10.3.6 精確值計算和模式識別10.3.7 人工神經網絡的過擬合和過訓練問題10.4 Kohonen自組織特征映射模型10.5 Hopfield神經網絡10.6 人工神經網絡的應用10.6.1 對多組分的測定10.6.2 在紡織中應用10.6.3 藥效預測10.6.4 在其他方面的應用參考文獻第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*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 *間隔分類器11.2.4 軟間隔優化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 支持向量機的應用11.4.1 文本分類11.4.2 信息檢索11.4.3 圖像識別11.4.4 在醫學上的應用11.4.5 手寫數字識別參考文獻第12章 定量構效活性關繫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 變量*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的應用12.6.1 QSPR/QSAR在色譜分析中的應用研究12.6.2 QSPR/QSAR在毛細管電泳分析中的應用研究12.6.3 在環境化學中的應用12.6.4 生物制藥方面的應用12.6.5 在食品化學中的應用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
【內容簡介】作為一門正在發展的新興學科，化學計量學主要應用數學、統計學、計算機科學、化學等學科的理論和方法，研究化學量測理論和方法，設計和選擇*的化學量測方法，並通過對化學數據的解析，*限度地獲取有關物質繫統的化學信息。 全書共分12章，內容包括：數據預處理、線性回歸分析、主成分分析、因子分析、偏*小二乘法、小波分析、模式識別、遺傳算法、人工神經網絡、支持向量機及定量構效活性關繫等。 本書可作為化學及相關學科的研究生和高年級本科生的教材和參考書，也可作為化學、化工、工程等領域的科技工作者和高等學校教師的參考書。
