| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 目录 | 第10-13页 |
| 1 绪论 | 第13-24页 |
| ·环境毒物简介 | 第13-14页 |
| ·化合物构效关系 | 第14-20页 |
| ·QSAR 研究步骤 | 第15-19页 |
| ·化合物构效关系研究方法 | 第19-20页 |
| ·QSAR 建模基本过程中的“OECD Principles“ | 第20页 |
| ·数据挖掘 | 第20-23页 |
| ·数据挖掘的任务 | 第21-22页 |
| ·数据挖掘的过程 | 第22-23页 |
| ·本论文的主要内容 | 第23-24页 |
| 2 数据挖掘算法 | 第24-44页 |
| ·SVM 算法 | 第24-32页 |
| ·统计学习理论 | 第24-26页 |
| ·支持向量分类算法 | 第26-29页 |
| ·支持向量机核函数 | 第29-32页 |
| ·集成学习算法 | 第32-40页 |
| ·为什么集成学习有效 | 第34-35页 |
| ·集成学习有效的条件 | 第35页 |
| ·典型集成学习算法简介 | 第35-40页 |
| ·贝叶斯网络算法 | 第40-44页 |
| ·贝叶斯网络完整数据集下结构学习方法 | 第41-44页 |
| 3 PSO-SVR 方法和贝叶斯网络方法在若干芳香类有机化合物对日本林蛙蝌蚪毒性 QSAR 研究中的应用 | 第44-59页 |
| ·引言 | 第44-45页 |
| ·材料和方法 | 第45-51页 |
| ·数据集 | 第45页 |
| ·分子描述符的计算 | 第45-46页 |
| ·mRMR 算法 | 第46-47页 |
| ·mRMR-GA-SVR 特征选择 | 第47-48页 |
| ·PSO 算法 | 第48-49页 |
| ·基于 PSO 的 SVR 参数优化 | 第49-51页 |
| ·结果和讨论 | 第51-57页 |
| ·描述符的选择 | 第51页 |
| ·SVR 模型参数优化 | 第51-52页 |
| ·SVR 模型的建立与评估 | 第52-54页 |
| ·贝叶斯网络分析 | 第54-56页 |
| ·SVR 敏感性分析 | 第56-57页 |
| ·结论 | 第57-59页 |
| 4 基于 SVR 集成学习算法的若干醇类有机小分子化合物对欧洲林蛙蝌蚪毒性的 QSAR 研究 | 第59-70页 |
| ·引言 | 第59-60页 |
| ·材料和方法 | 第60-64页 |
| ·数据集 | 第60页 |
| ·分子描述符的计算 | 第60页 |
| ·基于 CfsSubset (Correlation-based Feature Subset)算法的特征选择 | 第60-62页 |
| ·基于 Bagging 的 SVR 集成学习方法 | 第62-63页 |
| ·基于参数变换的 SVR 集成学习方法 | 第63-64页 |
| ·结果和讨论 | 第64-68页 |
| ·描述符选择 | 第64页 |
| ·基于 Bagging 的 SVR 集成学习方法模型的建立与分析 | 第64-65页 |
| ·与基于参数变化的 SVR 集成学习方法的比较 | 第65-67页 |
| ·贝叶斯网络分析 | 第67-68页 |
| ·分子描述符的解释 | 第68页 |
| ·结论 | 第68-70页 |
| 5 基于 SVR 选择性集成算法的若干芳香类化合物对水生梨形四膜虫毒性的 QSAR 研究 | 第70-78页 |
| ·引言 | 第70-71页 |
| ·材料和方法 | 第71-74页 |
| ·数据集 | 第71-72页 |
| ·分子描述符 | 第72-73页 |
| ·基于 SVM 模型仓库的选择性集成算法 | 第73-74页 |
| ·结果和讨论 | 第74-76页 |
| ·描述符选择 | 第74页 |
| ·选择性集成学习的建模结果 | 第74-76页 |
| ·分子描述符的解释 | 第76页 |
| ·结论 | 第76-78页 |
| 6 结论及展望 | 第78-81页 |
| ·结论 | 第78-79页 |
| ·展望 | 第79-81页 |
| 参考文献 | 第81-89页 |
| 攻读博士学位期间发表的论文 | 第89-90页 |
| 附录一 若干芳香类有机化合物对日本林蛙蝌蚪毒性实验值和计算值 | 第90-92页 |
| 附录二 若干醇类有机小分子化合物对欧洲林蛙蝌蚪毒性数据实验值和计算值 | 第92-96页 |
| 附录三 若干芳香类化合物对梨形四膜虫毒性数据实验值和计算值 | 第96-113页 |
| 致谢 | 第113页 |
