| 【中文题名】 | 基于因子分析的神经网络方法的研究及在分子筛合成数据分析中的应用 |
| 【英文题名】 | Research on BP Neural Network Based on Factor Analysis and Its Application in Rational Synthesis of Microporous Materials |
| 【学科专业】 | 计算机软件与理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-2 |
| 【中关键词】 | 数据挖掘,BP网络,因子分析,分子工程学,磷酸铝分子筛, |
| 【英关键词】 | data mining,BP neural network,factor analysis,molecular engineering,aluminophosphate zeolite, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
神经网络是数据挖掘的常用的方法之一,因子分析方法是统计学多元分析中的一种分析多个变量间内在关系的方法。将因子分析预处理方法与神经网络结合起来使用,可以分析原始变量间关系,将原始数据降维,减少数据规模。
本文对神经网络算法和因子分析相关理论进行了研究;在此基础上,结合化学分子筛数据库大量历史实验数据,提出了基于因子分析预处理结合BP神经网络算法的数据挖掘方法。该方法采用因子分析的方法先对原始数据进行预处理,提取出公共因子,降低实验数据的维度,然后再用BP人工神经网络训练建立模型并进行预测。通过对比实验测试了本文提出的组合算法在收敛速度及预测准确性方面的性能;结合“物质创造与化学转化过程中的若干前沿科学问题的研究”973项目,将该方法应用于其中的磷酸铝分子筛产物特征预测上。 |
| 【论文题纲】 |
|
内容提要 |
4-7 |
|
第一章 绪论 |
7-16 |
|
1.1 数据挖掘的概念及其主要方法 |
7-12 |
|
1.1.1 统计方法 |
8 |
|
1.1.2 聚类分析 |
8 |
|
1.1.3 决策树 |
8-9 |
|
1.1.4 关联规则 |
9 |
|
1.1.5 人工神经网络 |
9-10 |
|
1.1.6 遗传算法 |
10 |
|
1.1.7 粗糙集 |
10-11 |
|
1.1.8 可视化方法 |
11-12 |
|
1.2 微孔化合物定向合成相关 |
12-15 |
|
1.2.1 微孔化合物及微孔化合物的分子工程学 |
12-14 |
|
1.2.2 数据挖掘在化学中的应用 |
14-15 |
|
1.3 本文工作简介 |
15-16 |
|
第二章 神经网络和因子分析的理论基础 |
16-31 |
|
2.1 神经网络简介 |
16-22 |
|
2.1.1 神经网络发展和应用 |
16-18 |
|
2.1.2 神经网络模型 |
18-20 |
|
2.1.3 BP 神经网络 |
20-22 |
|
2.2 因子分析相关 |
22-30 |
|
2.2.1 因子分析及其基本思想 |
22-26 |
|
2.2.2 因子分析处理方法 |
26-30 |
|
2.3 因子分析与BP 神经网络结合 |
30-31 |
|
第三章 基于因子分析的BP 神经网络在磷酸铝多孔化合物合成数据分析中的应用 |
31-45 |
|
3.1 项目背景 |
31-32 |
|
3.2 基于因子分析的BP 神经网络在磷酸铝多孔化合物合成数据分析中的应用 |
32-45 |
|
3.2.1 数据分析 |
32-33 |
|
3.2.2 数据预处理阶段 |
33-39 |
|
3.2.3 用经过预处理的数据训练和建立BP 神经网络模型 |
39-45 |
|
第四章 实验验证 |
45-54 |
|
4.1 建立其他模型 |
45-52 |
|
4.1.1 使用原始数据建立线性回归预测模型 |
45-47 |
|
4.1.2 使用原始数据建立BP 神经网络模型 |
47-49 |
|
4.1.3 使用原始数据建立决策树预测模型(基于c4.5 决策树算法) |
49-52 |
|
4.2 通过对比检验实际效果 |
52-54 |
|
第五章 结语 |
54-55 |
|
5.1 工作总结 |
54 |
|
5.2 进一步工作 |
54-55 |
|
参考文献 |
55-58 |
|
摘要 |
58-61 |
|
ABSTRACT |
61-64 |
|
致谢 |
64-65 |
|
导师及作者简介 |
65 |
|
| 【DOI】 | LunWen.ID:2.2008.388668 |
