| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-21页 |
| 1.1 引言 | 第9-10页 |
| 1.2 支持向量机介绍 | 第10-16页 |
| 1.2.1 支持向量机分类(Support Vector Classify,SVC) | 第10-11页 |
| 1.2.2 支持向量机回归(support vector regression,SVR) | 第11页 |
| 1.2.3 SVM训练算法 | 第11-13页 |
| 1.2.4 SVM的优缺点 | 第13页 |
| 1.2.5 基于Python的LIBSVM简介 | 第13-16页 |
| 1.3 昆虫声音信号研究进展 | 第16-18页 |
| 1.3.1 昆虫的发声机制 | 第16页 |
| 1.3.2 昆虫声音信号的特征 | 第16页 |
| 1.3.3 昆虫声音信号的分析 | 第16-18页 |
| 1.3.4 昆虫声音信号的应用 | 第18页 |
| 1.4 蚊虫驱避剂定量构效关系研究进展 | 第18-19页 |
| 1.4.1 含氮驱避剂的QSAR研究 | 第18-19页 |
| 1.4.2 萜类驱避剂的QSAR研究 | 第19页 |
| 1.5 本文章节安排 | 第19-20页 |
| 1.6 本文主要创新点 | 第20-21页 |
| 第二章 支持向量机分类在昆虫声音信号识别中的应用 | 第21-31页 |
| 2.1 引言 | 第21页 |
| 2.2 数据与方法 | 第21-28页 |
| 2.2.1 数据来源 | 第21页 |
| 2.2.2 昆虫声音特征提取 | 第21-26页 |
| 2.2.3 高维特征筛选-二元矩阵重排过滤器(BMSF) | 第26-27页 |
| 2.2.4 多分类样本集转化为二分类样本集 | 第27页 |
| 2.2.5 独立预测与简单投票决策 | 第27-28页 |
| 2.3 结果与分析 | 第28-29页 |
| 2.4 结论与讨论 | 第29-31页 |
| 第三章 支持向量机回归在驱蚊剂非线性定量构效关系中的应用 | 第31-41页 |
| 3.1 引言 | 第31页 |
| 3.2 数据和方法 | 第31-38页 |
| 3.2.1 数据来源 | 第31-33页 |
| 3.2.2 分子描述符获取 | 第33-34页 |
| 3.2.3 分子描述符非线性筛选 | 第34-36页 |
| 3.2.4 模型评估与解释 | 第36-38页 |
| 3.3 结果与分析 | 第38-39页 |
| 3.3.1 酰胺类化合物驱蚊剂的SVR-QSAR模型 | 第38页 |
| 3.3.2 保留分子描述符及其单因子效应 | 第38-39页 |
| 3.4 结论与讨论 | 第39-41页 |
| 第四章 总结与展望 | 第41-43页 |
| 4.1 总结 | 第41-42页 |
| 4.2 展望 | 第42-43页 |
| 参考文献 | 第43-48页 |
| 致谢 | 第48-49页 |
| 作者简介 | 第49页 |
