计算化学

第0章 绪论
0.1 什么是计算化学
0.2 计算机在化学中的应用
0.2.1 按化学体系分类
0.2.2 按计算机应用方法分类
0.3 计算化学的普及
0.4 计算化学未来的发展
0.5 结语
第1章 数理统计基础
1.1 误差
1.1.1 误差的定义
1.1.2 误差的来源
1.1.3 误差的类型
1.1.4 精密度和准确度
1.1.5 偶然误差的传递
1.1.6 系统误差的传递
1.2 基础统计学概念
1.3 区间估计
1.3.1 允许区间
1.3.2 总体均值的置信区间估计
1.4 结果的表示
1.4.1 有效数字的定义
1.4.2 有效数字与不确定度的关系
1.5 置信区间的其他应用
1.6 显著性检验
1.6.1 显著性水平
1.6.2 x2检验
1.6.3 t检验
1.6.4 F检验
1.7 坏值的剔除
第2章 一元回归分析
2.1 一元线性回归
2.1.1 一元线性回归方程的求法
2.1.2 相关系数和显著性检验
2.1.3 一元线性回归的方差分析
2.1.4 斜率b和截距a的区间估计及斜率b的显著性检验
2.1.5 x值和检测限的计算
2.1.6 标准加入法
2.1.7 借助回归线进行分析方法的比较
2.1.8 权重回归分析
2.2 一元非线性回归
第3章 多元校正分析基础
3.1 多元线性回归
3.1.1 多元线性回归的原理
3.1.2 多元线性回归模型的效果分析
3.1.3 多元线性回归的应用
3.2 经典最小二乘法
3.3 反推最小二乘法
第4章 主成分分析与多元校正
4.1 主成分分析
4.1.1 主成分分析的基本概念
4.1.2 主成分的计算原理
4.1.3 主成分的性质
4.1.4 主成分的计算方法
4.1.5 主成分数的判别
4.2 主成分回归
4.3 偏最小二乘回归法
4.4 目标因子分析
4.4.1 因子分析基本概念
4.4.2 投影矩阵
4.4.3 用投影矩阵进行目标因子分析
4.5 秩消因子分析
4.5.1 双线性数据矩阵
4.5.2 秩消因子分析的原理和步骤
4.5.3 广义秩消因子分析法
4.5.4 残差双线性分解因子分析法
第5章 模式识别方法
5.1 数据的表示及预处理
5.2 特征的提取和压缩
5.2.1 特征的提取
5.2.2 特征的压缩
5.3 相似系数和距离
5.4 模式识别方法
5.4.1 有管理的模式识别方法
5.4.2 无管理的模式识别方法
5.5 显示方法
5.5.1 线性映射
5.5.2 非线性投影
第6章 人工神经网络在化学中的应用
6.1 人工神经网络
6.1.1 人工神经网络的结构和功能
6.1.2 人工神经网络的学习方法
6.1.3 人工神经网络中的归一化问题
6.1.4 BP人工神经网络
6.2 人工神经网络信息流分析技术研究
6.2.1 ANN模型输入节点的筛选
6.2.2 人工神经网络的组织与运行
6.3 人工神经网络的应用
6.3.1 蛋白质的二级结构预测
6.3.2 谱图分析
6.3.3 定量构效关系
6.3.4 模式识别
6.3.5 化学反应产物及产率的预测
第7章 构效关系研究和分子拓扑指数
7.1 图论的基本概念
7.2 化学结构和图论
7.2.1 化学图
7.2.2 分子的矩阵表示
7.3 化学结构的二维连接表
7.4 主要的拓扑指数及其应用
7.4.1 距离矩阵指数
7.4.2 邻接矩阵指数
7.4.3 量子拓扑指数aN及广义aN指数
第8章 分子模拟
8.1 分子模拟基本方法
8.1.1 量子力学
8.1.2 分子力学
8.1.3 QM／MM法
8.1.4 分子动力学
8.1.5 分子蒙特卡洛法
8.2 分子模拟软件简介
8.2.1 Chemoffice简介
8.2.2 HyperChem简介
8.2.3 Gaussian简介
第9章 实验设计与优化
9.1 化学实验设计基础
9.1.1 试验指标
9.1.2 因素和水平
9.1.3 同时试验和序贯试验
9.1.4 试验最优化和解析最优化
9.1.5 有效实验存在的条件
9.1.6 实验设计的基本原理
……
第10章 MATLAB在化学中的应用
附录
参考文献