支持向量机排序回归方法及其在优化分子对接打分函数的应用
| 缩词列表 | 第1-9页 |
| 摘要 | 第9-10页 |
| Abstract | 第10-11页 |
| 第一章 ：绪论 | 第11-22页 |
| ·机器学习 | 第11页 |
| ·支持向量机 | 第11-14页 |
| ·支持向量机原理简介 | 第11-13页 |
| ·支持向量机的应用 | 第13-14页 |
| ·经典支持向量机的不足 | 第14页 |
| ·分子对接 | 第14-16页 |
| ·分子对接简介 | 第14-15页 |
| ·打分函数 | 第15页 |
| ·打分函数与机器学习的结合 | 第15-16页 |
| ·基于排序的相关机器学习研究 | 第16-17页 |
| ·总结 | 第17-18页 |
| 参考文献 | 第18-22页 |
| 第二章 ：SVRR对分子对接打分函数的优化 | 第22-45页 |
| ·SVRR方法介绍 | 第22-24页 |
| ·材料与方法 | 第24-31页 |
| ·数据来源 | 第24-25页 |
| ·分子对接预处理 | 第25-27页 |
| ·分子对接 | 第27-28页 |
| ·SVRR数据集构建 | 第28-31页 |
| ·结果与讨论 | 第31-40页 |
| ·SVRR整合打分函数提高对正确构象的选择性 | 第31-35页 |
| ·整合的SVRR打分函数对筛选构象也有提高 | 第35-39页 |
| ·分子筛选的SVRR打分依旧具有很好的效果 | 第39-40页 |
| ·总结 | 第40-42页 |
| 参考文献 | 第42-45页 |
| 第三章 ：SVRR的特性与潜在应用 | 第45-58页 |
| ·前言 | 第45页 |
| ·SVRR与经典SVM的比较 | 第45-49页 |
| ·材料与方法 | 第45-46页 |
| ·利用对接结果训练SVC | 第46-48页 |
| ·利用对接结果训练SVR | 第48-49页 |
| ·SVRR可用于打分修正 | 第49-50页 |
| ·SVRR特性 | 第50-53页 |
| ·SVRR改进对接打分是一种新的方法 | 第50-51页 |
| ·分子对接数据更适合用SVRR来处理 | 第51-52页 |
| ·特征值对SVRR具有重要作用 | 第52-53页 |
| ·其他相关研究和展望 | 第53-55页 |
| ·排序相关的机器学习研究 | 第53-54页 |
| ·SVRR展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 第四章 ：全文总结 | 第58-59页 |
| 硕士期间发表或拟发表的论文 | 第59-60页 |
| 致谢 | 第60页 |
