| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-20页 |
| 1 机器学习实现方法概述 | 第10-12页 |
| 2 支持向量机研究现状 | 第12-18页 |
| ·理论研究 | 第12-14页 |
| ·训练算法及其改进 | 第12-13页 |
| ·测试速度及改进 | 第13页 |
| ·核函数的构造、改进以及相应参数的调整 | 第13-14页 |
| ·利用SVM解决多分类的问题 | 第14页 |
| ·应用研究 | 第14-18页 |
| ·模式识别(分类) | 第14-17页 |
| ·回归分析 | 第17-18页 |
| 3 本文内容安排 | 第18-20页 |
| 第二章 支持向量机原理 | 第20-36页 |
| 1 概况 | 第20-21页 |
| 2 统计学习理论 | 第21-23页 |
| ·结构风险最小准则与推广性的界 | 第21-22页 |
| ·VC维理论 | 第22-23页 |
| 3 核函数 | 第23页 |
| 4 支持向量机分类 | 第23-29页 |
| ·二类支持向量机 | 第23-25页 |
| ·线性可分情况 | 第23-25页 |
| ·线性不可分情况 | 第25页 |
| ·非线性分类 | 第25页 |
| ·一类支持向量机 | 第25-27页 |
| ·多值分类支持向量机 | 第27-29页 |
| ·多类分类支持向量机MSVM | 第27页 |
| ·基于BSVM的分类器 | 第27-29页 |
| 5 支持向量机回归 | 第29-30页 |
| 6 快速训练算法及其具体操作 | 第30-36页 |
| ·SVM-LIGHT算法 | 第30-31页 |
| ·SMO算法 | 第31页 |
| ·BSVM | 第31页 |
| ·LIBSVM | 第31-32页 |
| ·LIBSVM操作方法(基于PYTHON) | 第32-36页 |
| ·LIBSVM的一般操作步骤 | 第32-33页 |
| ·LIBSVM使用的数据集格式 | 第33页 |
| ·svmscale、svmtrain和svmpredict的使用方法 | 第33-34页 |
| ·举例说明 | 第34-36页 |
| 第三章 支持向量机在蛋白质四级结构分类中的应用 | 第36-49页 |
| 1 引言 | 第36-37页 |
| 2 材料和方法 | 第37-43页 |
| ·数据集 | 第37页 |
| ·特征向量提取 | 第37-41页 |
| ·氨基酸组成成分与多肽组成成分 | 第37-38页 |
| ·氨基酸组成分布 | 第38-39页 |
| ·基于理化参数的伪氨基酸法 | 第39-41页 |
| ·组合预测 | 第41-42页 |
| ·线性组合预测(线性集成方法) | 第41-42页 |
| ·非线性组合预测 | 第42页 |
| ·参数评估 | 第42-43页 |
| 3 结果与讨论 | 第43-47页 |
| ·氨基酸组成成分及多肽组成成分中不同计算方法对结果的影响 | 第43-44页 |
| ·不同分段数目的氨基酸组成分布法对结果的影响 | 第44页 |
| ·不同尺度的伪氨基酸法对预测性能的影响 | 第44-45页 |
| ·不同理化参数的伪氨基酸法对结果的影响 | 第45-46页 |
| ·组合预测对结果的影响 | 第46-47页 |
| 4 结论与展望 | 第47-49页 |
| 第四章 支持向量机在含氟化合物活性预测中的应用 | 第49-61页 |
| 1 引言 | 第49-50页 |
| 2 材料与方法 | 第50-54页 |
| ·数据集 | 第50-51页 |
| ·核函数的选择 | 第51-52页 |
| ·基于SVR的非线性描述符筛选 | 第52页 |
| ·基于SVR的全局预测与KNN预测 | 第52-53页 |
| ·基于KNN的非线性组合预测 | 第53页 |
| ·预测性能评价指标 | 第53-54页 |
| 3 结果与分析 | 第54-59页 |
| ·含氟农药对西瓜白绢病的QSAR结果分析 | 第54-57页 |
| ·选择核函数及筛选描述符 | 第54-55页 |
| ·KNN预测及组合预测 | 第55-57页 |
| ·含氟农药对5种病害的QSAR结果综合分析 | 第57-59页 |
| ·选择核函数及筛选描述符 | 第57-58页 |
| ·基于KNN的组合预测 | 第58-59页 |
| 4 结论与展望 | 第59-61页 |
| 参考文献 | 第61-70页 |
| 附录A 数据集 | 第70-75页 |
| 致谢 | 第75-76页 |
| 作者简历 | 第76页 |