| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-10页 |
| 第一章 绪论 | 第10-22页 |
| 一、引言 | 第10-11页 |
| 二、统计和机器学习方法的应用研究背景 | 第11-12页 |
| 三、紫外可见吸收光谱及其计算 | 第12-16页 |
| 四、本论文的研究意义及内容 | 第16-18页 |
| 参考文献 | 第18-22页 |
| 第二章 理论基础 | 第22-48页 |
| 一、量子化学计算方法 | 第22-32页 |
| （一）从头算方法 | 第22-26页 |
| （二）密度泛函理论 | 第26-28页 |
| （三）时间依赖密度泛函理论 | 第28-31页 |
| （四）基组的选择 | 第31-32页 |
| 二、机器学习方法 | 第32-45页 |
| （一）遗传算法 | 第33-36页 |
| （二）人工神经网络 | 第36-41页 |
| （三）神经网络集成 | 第41-43页 |
| （四）K近邻算法 | 第43-45页 |
| 参考文献 | 第45-48页 |
| 第三章 利用遗传算法与神经网络提高电子光谱密度泛函理论计算值的精度 | 第48-64页 |
| 一、引言 | 第48-49页 |
| 二、GANN 算法 | 第49-53页 |
| （一）神经网络结构及物理参数选择 | 第49-50页 |
| （二）遗传算法优化BP神经网络 | 第50-53页 |
| 三、结果和讨论 | 第53-61页 |
| （一）数据集的选择 | 第53-54页 |
| （二）GANN校正量子化学方法计算值 | 第54-60页 |
| （三）GA参数及优化后的神经网络权值 | 第60-61页 |
| 四、结论 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 第四章 提高密度泛函理论方法计算吸收能的精度：神经网络集成与K 近邻方法 | 第64-80页 |
| 一、引言 | 第64-65页 |
| 二、方法 | 第65-69页 |
| （一）NNE算法 | 第65-68页 |
| （二）K近邻方法 | 第68页 |
| （三）NNEKNN方法 | 第68-69页 |
| 三、结果和讨论 | 第69-75页 |
| （一）NNEKNN提高密度泛函理论的计算精度 | 第69-75页 |
| （二）近邻的选择 | 第75页 |
| 四、结论 | 第75-77页 |
| 参考文献 | 第77-80页 |
| 致谢 | 第80-81页 |
| 在学期间公开发表论文及著作情况 | 第81页 |