基于图数据挖掘的化合物性质预测方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 化合物性质预测 | 第11-12页 |
| 1.2.2 图数据挖掘算法 | 第12-14页 |
| 1.2.3 现有研究存在的问题与不足 | 第14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 研究对象和方法 | 第14-16页 |
| 1.4.1 研究对象 | 第14-15页 |
| 1.4.2 研究方法 | 第15-16页 |
| 1.5 论文的组织结构 | 第16-17页 |
| 第二章 相关工作介绍 | 第17-26页 |
| 2.1 图数据挖掘 | 第17-22页 |
| 2.1.1 相关定义 | 第17-18页 |
| 2.1.2 图的相似性计算 | 第18-20页 |
| 2.1.3 频繁子图挖掘 | 第20-22页 |
| 2.2 分类分析 | 第22-25页 |
| 2.2.1 单类分类 | 第22-23页 |
| 2.2.2 集成分类 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 基于频繁子图挖掘的化学图特征提取方法研究 | 第26-40页 |
| 3.1 方法概述与流程 | 第26-30页 |
| 3.1.1 问题定义 | 第26页 |
| 3.1.2 方法流程 | 第26-30页 |
| 3.2 算法描述 | 第30-31页 |
| 3.3 实验结果与分析 | 第31-39页 |
| 3.3.1 数据搜集与预处理 | 第31-32页 |
| 3.3.2 实验设定与评价指标 | 第32-33页 |
| 3.3.3 对比gSpan和AC-gSpan性能 | 第33-36页 |
| 3.3.4 在OC-SVM上分类效果 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 化合物性质预测分类分析方法研究 | 第40-50页 |
| 4.1 方法概述与流程 | 第40-44页 |
| 4.1.1 问题定义 | 第40页 |
| 4.1.2 方法流程 | 第40-42页 |
| 4.1.3 Adaboost算法理论分析 | 第42-44页 |
| 4.2 算法描述 | 第44-45页 |
| 4.3 实验结果与分析 | 第45-49页 |
| 4.3.1 数据预处理 | 第45页 |
| 4.3.2 实验设定与评价指标 | 第45页 |
| 4.3.3 分类效果对比 | 第45-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-51页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54-55页 |
| 作者简介 | 第55页 |
