支持向量機及ChemSVM軟件在若干化學問題中的應用.pdf

1、由于計算機技術的發(fā)展,數據挖掘(包括線性和非線性回歸、人工神經網絡、模式識別算法等)已成為處理化學化工數據,總結經驗規(guī)律,據以預報未知或控制生產過程的常規(guī)手段.但是,傳統(tǒng)的機器學習算法都以經典統(tǒng)計數學的漸進理論為依據.該理論的大數定理規(guī)定,統(tǒng)計規(guī)律只有在已知樣本數無限多時才顯露出來.但化學化工實際工作中已知樣本總是有限的.同時,化學、化工領域中多數數據處理問題屬于數學中的"不適定問題"(ill-posed problem),而傳統(tǒng)的化學

2、計量學算法忽略了這一特點,將其作為"適定問題"(well-posed problem)求解.忽視這些矛盾是造成實際計算中"過擬合"弊病的重要原因.針對經典統(tǒng)計數學這一弱點,Vladimir N.Vapnik及其合作者提出了"統(tǒng)計學習理論"和"支持向量機"算法."支持向量機"(SVM)算法是特別適合于用有限已知樣本訓練建模,進而預報未知樣本屬性的數據挖掘新算法.由于它根據嚴格的數學理論,同時考慮了擬合精度和對"過擬合"的抑制,故能基于小樣

3、本集作較可靠的計算機預報.且因采用核函數算法,故能有效處理非線性數據集.本文簡要描述了統(tǒng)計學習理論和支持向量機的主要理論成果和框架,并根據文獻編寫了基于新算法"支持向量機"的軟件"ChemSVM".同時,我們的研究進一步表明:該算法在新材料制備的實驗設計(如納米氧化鈦在水中的分散效果與磨砂參數之間關系的建模與預報,鎳氫電池陰極材料設計)、相圖和新化合物的計算機預報(如KNO<,3>-KBr系,KNO<,3>-KI系和Cs,Li,Er|C