試論數(shù)據(jù)挖掘在化學研究生產(chǎn)中的應用論文

1、資料來源：來自本人網(wǎng)絡整理！祝您工作順利！試論數(shù)據(jù)挖掘在化學研究生產(chǎn)中的應用論文 近年來，數(shù)據(jù)挖掘引起了信息產(chǎn)業(yè)界的極大關注，其主要緣由是存在大量數(shù)據(jù)，可以廣泛用法，并且迫切需要將這些數(shù)據(jù)轉(zhuǎn)換成有用的信息和學問。獵取的信息和學問可以廣泛用于各種應用，包括商務管理，消費掌握，市場分析，工程設計和科學探究等。以下是我為大家細心預備的：試論數(shù)據(jù)挖掘在化學討論消費中的應用相關論文。內(nèi)容僅供參考，歡送閱讀! 試論數(shù)據(jù)挖掘在化學討論消費中的應用全文如下： 1 引言 化學是一門討論化合物組成、性質(zhì)以及改變的一門學科。在長期的化學、化工試驗中產(chǎn)生了大量的數(shù)據(jù)，但是數(shù)據(jù)的海量增加卻造成了諸如信息過量、信息平安隱

2、患、信息真假難辨等困難。同時，這些海量的數(shù)據(jù)內(nèi)部存在著許多有價值的信息和規(guī)律，如何從這些數(shù)據(jù)中發(fā)覺更多更有價值的信息和規(guī)律也成為化學、化工專家關注的焦點，需要是創(chuàng)造之母，面對這一要求，數(shù)據(jù)挖掘技術在化學、化工中的應用也就應運而生，并顯示了強大的生命力。在化學領域內(nèi)，數(shù)據(jù)挖掘理論和算法的進展，極大地促進了計算機化學、化學計量學和化學信息學等新學科的進展。本文就針對數(shù)據(jù)挖掘方法在化學、化工各方面的應用進展簡述。 2 數(shù)據(jù)挖掘的概述 數(shù)據(jù)挖掘(data mining)，是數(shù)據(jù)庫學問發(fā)覺(kdd, knowledge-discovery in databases)中的一個步驟。數(shù)據(jù)挖掘一般是指從大量的

3、數(shù)據(jù)中通過算法搜尋發(fā)覺隱藏于其中的規(guī)律和信息的過程。近十年來，數(shù)據(jù)挖掘技術不管是在理論上還是在實際應用上，都已獲得了很大的進展1，同時也出現(xiàn)了各種專用或商用的數(shù)據(jù)挖掘軟件。 數(shù)據(jù)挖掘領域利用的主要思想有：統(tǒng)計學的抽樣、估量和假設檢驗;人工智能、形式識別和機器學習的搜尋算法、建模技術和學習理論。數(shù)據(jù)挖掘同時也快速地接納了最優(yōu)化、進化計算、信息論、信號處理、可視化和信息檢索等領域方面的思想。目前，常用的數(shù)據(jù)挖掘方法主要有以下幾種：數(shù)學統(tǒng)計方法、決策樹、形式識別方法、人工神經(jīng)網(wǎng)絡方法、遺傳算法、粗糙集方法、支持向量機方法等。 3 數(shù)據(jù)挖掘在化學與化工消費中的應用 數(shù)據(jù)挖掘利用多學科領域的學問從全新的

4、角度以及更深層次中開掘存在于海量信息內(nèi)部有效的、新穎的形式。在化學與化工消費中利用這種數(shù)據(jù)挖掘技術可從化學和化工消費數(shù)據(jù)中查找潛在的規(guī)律，同時利用這些規(guī)律指導企業(yè)的消費過程，最終實現(xiàn)消費過程的優(yōu)化以及企業(yè)效益的最大化。 3.1 中草藥成分分析中的數(shù)據(jù)挖掘 方兆華等對化裝品專利中草藥成分利用關聯(lián)規(guī)章進展分析，得出化裝品中有當歸、白芷和蘆薈等高頻單味藥，有當歸-川芎等高頻藥對，有蘆薈-芝麻-向日葵子等高頻藥組;基于置信度和支持度分析，得到了化裝品中中草藥應用的13 條強關聯(lián)規(guī)章，如向日葵子-芝麻等。陸愛軍等利用關聯(lián)規(guī)章對中醫(yī)藥效、植物科屬、化學的成分活性、中藥提取物和現(xiàn)代藥理之間的互相關系進展討論

5、，在分析之前對數(shù)據(jù)進展預處理，然后再對處理后的數(shù)據(jù)進展挖掘，從而得到一些好玩的關聯(lián)規(guī)章，比方中藥藥效和植物科分類的關聯(lián)規(guī)章,都是因為在該科下面的植物許多具有相應的中藥藥效。 3.2 化學討論中的數(shù)據(jù)挖掘 朱建國分析了數(shù)據(jù)的詳細特征，采納id3 的決策樹算法將數(shù)據(jù)的離散化和屬性選擇進展預處理，使決策樹樹狀構(gòu)造的分類器對數(shù)據(jù)能進展更有效的分類。通過二苯乙烯系列化合物試驗數(shù)據(jù)的建樹過程，以及對所得到的規(guī)章進展分析，將決策樹有效地運用在二苯乙烯系列化合物討論過程中，并開發(fā)方案實現(xiàn)系統(tǒng)讓討論者可以清楚地表達分類規(guī)章，從而給討論者帶來了極大的便利。 李峰等將數(shù)據(jù)挖掘應用在稀土摻雜納米tio2構(gòu)造與光催化活

6、性的關系中，用多元逐步回來分析對數(shù)據(jù)樣本間的聯(lián)絡進展挖掘，從而發(fā)覺構(gòu)造參數(shù)與光催化劑的表觀速率常數(shù)間之間存在著良好的相關性，其相關系數(shù)大于0.99，說明該模型具有良好的穩(wěn)定性和預報力量。溶膠-凝膠法制備的不同稀土摻雜納米tio2不管是試驗結(jié)果還是計算機模擬結(jié)果都說明其納米構(gòu)造相像，光催化活性是相近的，對于系列光催化劑制備及其動力學性質(zhì)討論都能較好地建立起定量構(gòu)效關系，進而通過xrd參數(shù)測試，發(fā)覺活性相近的催化劑，為選擇高效的光催化劑節(jié)省資源。 ru等人提出了一種稱為bsvr(boosting support vector regression)的方法，該方法支持向量回來，以boosting 結(jié)

7、合支持向量回來(svr)為分類器，繼而用它來處理硝基苯類，并且將其用作5-脂肪氧化酶抑止劑的1-phenyl2h-tetrahydro-triazine-3-one類化合物的qsar數(shù)據(jù)預報毒性，試驗結(jié)果說明這種方法在病毒性預報的精確性方面有明顯的進步。 cai 與feng 等人提出了一種稱為logistboost 的算法，該算法基于對數(shù)回來策略，可以對蛋白質(zhì)構(gòu)造數(shù)據(jù)(基于氨基酸序列)的二類、多類分類問題進展預報，試驗結(jié)果說明這種算法具有很好的預報結(jié)果。boosting 算法在蛋白質(zhì)構(gòu)造分類方面的預報應用是以構(gòu)成蛋白質(zhì)的氨基酸種類、排列挨次作為主要屬性對蛋白質(zhì)的二級構(gòu)造進展推斷。隨著數(shù)據(jù)挖掘在

8、化學中的應用，boosting算法有望可以對蛋白質(zhì)的3d構(gòu)造進展預報。friedman 等人提出了梯度boosting 算法，該方法在回來問題上挺直應用boosting 算法，從而有效解決了數(shù)據(jù)挖掘中在化學應用中回來問題上常見的問題，而tao 等人提出的新boosting算法那么可以有效解決數(shù)據(jù)挖掘在化學應用中異樣值的檢測問題。 3.3 化工消費中的數(shù)據(jù)挖掘 張泉靈等利用多支持度關聯(lián)規(guī)章的挖掘算法，開發(fā)了化工消費過程的數(shù)據(jù)挖掘軟件，通過數(shù)據(jù)挖掘軟件對操作參數(shù)和配方進展優(yōu)化，使產(chǎn)品的收率和有效成分得到進步，并將該系統(tǒng)應用在三唑磷的合成過程中，使三唑磷進步了1.5%的收率，同時三唑磷的含量也進步了

9、三個百分點，從80%進步到83%，為企業(yè)帶來了較好的經(jīng)濟的效益和社會效益。 陸治榮等利用數(shù)據(jù)挖掘方法開發(fā)了適用于消費過程優(yōu)化、故障診斷、優(yōu)化新產(chǎn)品研制和配方設計的系列軟件dmos，該軟件為化工、煉油等行業(yè)消費過程優(yōu)化的工程化運營制造了條件，并將該系統(tǒng)應用到某石化廠，主要解決丙烯的收率不能滿足下游消費的問題，更重要的是回收的丙烯收率的進步可以進步經(jīng)濟效益，結(jié)果說明經(jīng)過dmos數(shù)據(jù)挖掘后提出了新的消費參數(shù)，對原來正常的消費狀態(tài)進展優(yōu)化后進步了丙烯的收率，優(yōu)化后丙烯的收率從14.7%進步到了19.11%。 基于合成氨消費效益的數(shù)據(jù)挖掘，用于解決氨合成裝置dmos合成氨優(yōu)化系統(tǒng)，用于解決合成氨工業(yè)消費

10、參數(shù)的優(yōu)化，實現(xiàn)氨合成裝置消費時實時工況診斷、實時趨勢掃瞄、優(yōu)化操作指導、報表生成等功能。通過對云維集團有限公司氨合成裝置合成塔生成數(shù)據(jù)的數(shù)據(jù)挖掘，找出了影響裝置目的變量的主要工藝參數(shù)，建立目的變量與有關工藝參數(shù)間的數(shù)學模型，通過試驗說明所建模型的牢靠性強，可以優(yōu)扮裝置工藝操作，進步合成氨產(chǎn)量，全面進步企業(yè)的經(jīng)濟效益。 3.4 化學分類中的數(shù)據(jù)挖掘 李琳等15利用決策樹對玻璃和葡萄酒進展分類，玻璃有9 個屬性作為衡量指標，葡萄酒為意大利某地的三種酒、含有13 個屬性作為分類指標。他們首先用法mdlp(最小長度描繪方法)進展離散化，再用lvf(lasvegas filter)方法進展屬性選擇，剔除冗余數(shù)據(jù)后，再由c4.5 方法構(gòu)建決策樹。通過試驗說明：由決策樹建成的分類模型具有良好的預報性能，合適于化學分類學問形式的挖掘?；陬A處理的決策樹克制了一般決策樹方法難以處理連續(xù)型數(shù)據(jù)集的缺點，又具有其它方法所不具備的優(yōu)勢，可從大量數(shù)據(jù)中挖掘出潛在的分類學問，并具有簡沽直觀的表達形式，易為專業(yè)人員理解和分析。 4 結(jié)論 本文對數(shù)據(jù)挖掘方法在化學和化工消費過程中如何利用海量數(shù)據(jù)、發(fā)覺和挖掘出新的規(guī)律和信息，為化學討論和化工消費供應有效精確的根據(jù)。雖然數(shù)據(jù)挖掘技術在化學和化工消費過程中獲得了大量應用