| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第9-14页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 本文的研究内容及结构 | 第12-14页 |
| 第二章 计算方法 | 第14-23页 |
| 2.1 量子化学计算方法 | 第14-15页 |
| 2.1.1 密度泛函理论(DFT)方法 | 第14-15页 |
| 2.1.2 基组 | 第15页 |
| 2.2 数据集分组 | 第15页 |
| 2.3 特征选择方法 | 第15-18页 |
| 2.3.1 遗传算法 | 第16-17页 |
| 2.3.2 随机Lasso算法 | 第17-18页 |
| 2.3.3 增L去R选择算法 | 第18页 |
| 2.4 机器学习相关算法 | 第18-22页 |
| 2.4.1 支持向量机 | 第18-19页 |
| 2.4.2 广义回归神经网络 | 第19-21页 |
| 2.4.3 分类回归树 | 第21页 |
| 2.4.4 随机森林 | 第21页 |
| 2.4.5 集成学习算法 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于集成学习的光电转化效率QM/ML预测模型 | 第23-29页 |
| 3.1 QM/ML模型 | 第23-26页 |
| 3.2 集成学习级联回归模型 | 第26-28页 |
| 3.2.1 级联模型 | 第26-27页 |
| 3.2.2 集成学习模型 | 第27-28页 |
| 3.3 本章小结 | 第28-29页 |
| 第四章 实验结果与分析 | 第29-40页 |
| 4.1 数据集 | 第29-30页 |
| 4.2 结果与分析 | 第30-39页 |
| 4.2.1 特征选择 | 第30-32页 |
| 4.2.2 光电转化效率PCE预测结果 | 第32-39页 |
| 4.3 本章小结 | 第39-40页 |
| 第五章 总结与展望 | 第40-42页 |
| 5.1 总结 | 第40-41页 |
| 5.2 展望 | 第41-42页 |
| 参考文献 | 第42-45页 |
| 附录 | 第45-51页 |
| 致谢 | 第51页 |