兰州大学计算机化学研究所介绍.pptVIP

兰州大学计算机化学研究所介绍 20世纪80年代-90年代中期，从分析化学应用开始，率先开展将计算机技术应用于化学的研究，在化学计量学领域开展工作，如在滴定分析的理论计算、分析测试专家系统、HPLC中溶质保留行为的研究等方面取得了一系列的成果。90年代中期，开始将人工神经网络等方法应用在定量结构活性/性质关系(QSAR/QSPR)方面的研究, 在开发新的分子描述符, 建立结构参数与溶解度、色谱保留值、化合物的热力学性质的关系等方面开展了一系列研究工作。从1997年开始，与巴黎第七大学ITODYS研究所范波涛教授合作开展计算机化学的研究。2000年以来，开始将QSAR/QSPR的研究与化学数据挖掘技术相结合，开展支撑向量机（SVM）及其他核函数方法在化学数据挖掘领域的应用研究；另一方面开始涉及基于结构的药物设计及基于量子化学方法的化学反应机理研究。 研究所简介(2) 研究所简介(3) 支撑向量机方法的应用研究 支撑向量机 支撑向量机（Support Vector Machine, SVM）是由Vapnik及其合作者发明的，在1992计算学习理论的会议上，介绍进入机器学习领域，之后受到广泛关注。90年代后期得到全面的发展，现已成为机器学习和数据挖掘领域的标准工具。 它是一种新的机器学习技术，是建立在统计学习理论的VC(Vapnik-Chervonenkis)维理论和结构风险最小化原则基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误的识别任意样本的能力）之间寻找最佳折中，以期获得最好的泛化能力(Generalization Ability)。 支撑向量机方法的优点 它是专门针对有限样本情况的，其目标是得到有限信息下的最优解而不仅仅是样本数趋于无穷大时的最优值； 算法最终将转化成为一个二次寻优问题，从理论上说，得到的将是全局最优点，解决了在神经网络等方法无法避免的局部最优问题； 算法将实际问题通过Kernel函数的非线性变换转换到高维特征空间（Feature Space），在高维空间中构造线性判别函数来实现原有空间中的非线性判别函数，有较好的泛化能力，同时它巧妙地解决了维数问题，其算法复杂度与样本维数无关。 Study of the Quantitative Structure-Mobility Relationship of Carboxylic Acids in capillary Electrophoresis Based on Support Vector Machines Study of the Quantitative Structure-Mobility Relationship of Carboxylic Acids in capillary Electrophoresis Based on Support Vector Machines Quantitative Prediction of logk of Peptides in High-Performance LiquidChromatography Based on Molecular Descriptors by Using the Heuristic Method and Support Vector Machine Quantitative Prediction of logk of Peptides in High-Performance LiquidChromatography Based on Molecular Descriptors by Using the Heuristic Method and Support Vector Machine Study of Quantitative Structure-Mobility Relationship of Amino Acids and Peptides in Capillary Electrophoresis Based on Support Vector Machines Study of Quantitative Structure-Mobility Relationship of Amino Acids and Peptides in Capillary Electrophoresis Based on Support Vector Machines Prediction of electrophoretic mobility of substituted aromatic acids in different aqueous–alcoholic solvents by capill