| 中文摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 1 前言 | 第10-16页 |
| 1.1 研究背景 | 第10-13页 |
| 1.1.1 数据指标 | 第10-11页 |
| 1.1.2 化合物的定量构效关系 | 第11-12页 |
| 1.1.3 分子描述符 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.3 本论文研究的目的及意义 | 第15-16页 |
| 2 本文中用到基本原理以及算法 | 第16-32页 |
| 2.1 多元线性回归（Multiple Linear Regression，MLR） | 第16-17页 |
| 2.2 偏最小二乘（Partial Least Squares，PLS） | 第17-19页 |
| 2.3 人工神经网络（Artificial Neural Network，ANN） | 第19-22页 |
| 2.4 分类方法 | 第22-27页 |
| 2.4.1 K-最近邻（K-Nearest Neighbor Method，KNN） | 第22-23页 |
| 2.4.2 K均值聚类法（K-means Clustering Method,KMC） | 第23-24页 |
| 2.4.3 投影寻踪法（Projection Pursuit，PP） | 第24-27页 |
| 2.5 奇异样本的剔除（稳健诊断方法） | 第27-28页 |
| 2.6 合理的划分样本（球型排除算法） | 第28页 |
| 2.7 QSPR建模方法 | 第28-29页 |
| 2.8 评价建模优劣的几种方法 | 第29-32页 |
| 2.8.1 结果的误差值 | 第29-30页 |
| 2.8.2 化合物结构的相似度以及相对标准偏差 | 第30-32页 |
| 3 致敏性数据的QSPR研究 | 第32-44页 |
| 3.1 数据的来源以及描述符的预处理 | 第32-34页 |
| 3.1.1 数据的来源 | 第32页 |
| 3.1.2 分子描述符 | 第32-34页 |
| 3.2 奇异值的剔除 | 第34页 |
| 3.3 基于LLNA数据对有机物致敏性的研究 | 第34-39页 |
| 3.3.1 对未分类的LLNA数据进行QSPR的研究 | 第34-35页 |
| 3.3.2 K-最近邻算法对LLNA数据进行的QSPR研究 | 第35-36页 |
| 3.3.3 K均值聚类法对LLNA数据进行的QSPR研究 | 第36-37页 |
| 3.3.4 投影寻踪分类对LLNA数据进行研究 | 第37-39页 |
| 3.4 结果与讨论 | 第39-44页 |
| 3.4.1 未分类的LLNA数据 | 第39页 |
| 3.4.2 K-最近邻法分类的LLNA数据 | 第39页 |
| 3.4.3 K均值聚类分类的LLNA数据 | 第39-40页 |
| 3.4.4 投影寻踪分类的LLNA数据 | 第40-44页 |
| 4 有机物极性参数的QSPR研究 | 第44-58页 |
| 4.1 数据的来源以及描述符的预处理 | 第44-47页 |
| 4.1.1 数据的来源 | 第44页 |
| 4.1.2 分子描述符 | 第44-47页 |
| 4.2 奇异值的剔除 | 第47页 |
| 4.3 对有机物极性参数的研究 | 第47-53页 |
| 4.3.1 对未分类的有机物的极性参数数据进行QSPR的研究 | 第47-48页 |
| 4.3.2 K-最近邻算法对有机化合物的极性参数数据进行的QSPR研究 | 第48-49页 |
| 4.3.3 K均值聚类法对有机化合物的极性参数数据进行的QSPR研究 | 第49-50页 |
| 4.3.4 投影寻踪对有机化合物的极性参数数据进行的QSPR研究 | 第50-53页 |
| 4.4 结果与讨论 | 第53-58页 |
| 4.4.1 未分类的有机物极性参数数据 | 第53页 |
| 4.4.2 K-最近邻法分类的有机物的极性参数数据 | 第53-54页 |
| 4.4.3 K均值聚类分类的有机物极性参数数据 | 第54页 |
| 4.4.4 投影寻踪分类的有机物极性参数数据 | 第54-58页 |
| 5 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 附录A | 第64-73页 |
| 附录B | 第73-84页 |
| 在学期间的研究成果 | 第84-86页 |
| 致谢 | 第86页 |
