化学计量学这个词汇是瑞典人 Swante Wold 在 1971 年提出的，他在申请一项科研基金时希望构造一个合适的关键词，他仿照 econometrics(计量经济学)一词用瑞典语构造了 kemometri 一词，它是 kemo 和 metri 两个词根的结合体。他将这个词汇向朋友征求意见，他的 朋友认为非常好，最终他也如愿地拿到了这个基金项目。kemometri 一词在英文中的对应词汇 是chemometrics，中文翻译为化学计量学。在1974年的6月间，Wold与美国人BruceKowalski 建议成立国际化学计量学学会，他们最初对化学计量学给出的定义是:化学计量学是一门通 过统计学或数学方法将对化学体系的测量值与体系的状态之间建立联系的学科。
当前，化学计量学已经发展成为一个比较庞大的体系，包含的内容也已经超出了 Wold 和 Kolwaski 当初的想象。要想完整地介绍化学计量学的所有领域已成为一件非常艰巨的工作。本课程为初学者所制作。
第 1 章介绍几种常用的信号模型及其对应的数学模型，这是初学者最好的切入点。对于化学工作者而言，他们对测量信号本身并不陌生，但是对于信号背后蕴含的数学形式却未必熟悉。特别是，长期以来人们已经习惯了单一波长情况下的朗伯-比尔定律，猛然间遇到向量 形式、矩阵形式和张量形式的表述，通常都会感到困惑。带着这种困惑去学习化学计量学， 自然会事倍功半。本章一步一步将经典的朗伯-比尔定律拓展到高维空间，让初学者逐步适应 测量信号的数学表述方式。
第 2 章介绍几种向量信号的滤噪和平滑方法，既包含经典的方法，也包含最新的方法。 其中的经典方法如累加平均法、Savitzky-Golay 法和傅里叶变换方法具有快速、有效的特点， 实际上是当前测量仪器中普遍采用的滤噪方法。基于 Whittaker 平滑器的滤噪和基线扣除方 法，是近年才被发掘出来的方法，在滤噪和平滑方面具有独特的优势。基于它建立的基线扣 除方法，也是当前最为简洁有效的方法。
第 3 章介绍化学因子分析方法。本章中介绍抽象因子分析法时着重介绍非线性迭代偏最 小二乘法。这种方法属于经典的方法，在计算机技术尚不发达的年代，它是一种有效的方法。 本书作者在读博士学位时，就常使用该方法进行大型数据的主成分分析。记得当时的计算机 内存只有 8 兆，而需要分析的数据往往达到几十兆。借助该法和适当的编程技巧，才得以实 现大数据的分析。当前的计算机技术已经非常的发达，采用奇值分解方法对大数据进行分析 基本可行，但是如果涉及超大型的数据分析，还是需要寻找其它的方法，非线性迭代偏最小 二乘法是其中的一个选项。本章也将演进因子分析中的两种经典方法归入到化学因子分析部分进行介绍，这两种方法是数学理论应用到化学测量数据分析中的极好范例。
第 4 章介绍多维曲线分辨。与常用的因子分析法不同，多维曲线分辨方法致力于获得化 学体系的真实因子的谱形态，而非停留在采用抽象因子信息来表征化学组分的信息。自模式曲线分辨方法可被视作是一项里程碑意义的工作，它首次向化学工作者展示了采用纯粹的数 学方法来估计化学组分的谱形态的可行解域。另外一项具有里程碑意义的工作是梁逸曾等人提出的直观推导式演进特征投影算法。他们提出了纯组分区域的概念，这种观念上的进步令人豁然开朗。他们构建的数学方法也首次实现了从二维联用色谱体系测得的矩阵信号中得到组分的浓度曲线和光谱曲线的准确数学解。本章中还对三维分辨做了一定程度的介绍，但仅侧重于交替三线性分解相关的方法。由于三维数据蕴含从中获得唯一解的内在禀性，应视为是化学中最具潜力的数据类型，或许会成为实现分析化学数学化的一个重要基石。
第 5 章介绍多元校正。除了介绍常见的多元线性回归、主成分回归和偏最小二乘回归之 外，加入了逐步回归分析。尽管当前的化学计量学领域偏重于波长选择之类的策略，但是对 于初学者而言，从逐步回归分析开始，再进一步去了解当前的波长选择方法，或许是更好的学习步骤。
第 6 章介绍机器学习一些最基本的内容。本书作者在湖南大学期间曾旁观了一些研究生从事神经网络方面的研究，由于当时软硬件水平的制约，这些早期的探索性工作最终停顿下 来了。当前的人工智能的发展超乎想象，从能够击败人类顶级围棋选手的 AlphaGo 围棋软件， 到可以独立进行化学实验的机器人化学家等等，已经向化学工作者昭示一个全新时代的到来。 可以预期，未来的化学研究领域必将是人工智能技术能够大显身手的重要领域之一，现在开始介入这个领域还为时不晚。本书作者当前对于机器学习领域也属于初窥门径，所以这一章 的内容也只涉及机器学习最基本的内容。读者在掌握了这些基本内容之后，应该可以凭借自 身的拓展学习和实践，进一步了解这个领域的更多内容。
到此这篇dric怎么读（cedric怎么读）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/rfx/50672.html