| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 核极限学习机(KELM) | 第11-12页 |
| 1.2.2 粒子群优化算法 | 第12-13页 |
| 1.2.3 药物–靶标相互作用预测 | 第13-14页 |
| 1.2.4 领域适应学习 | 第14-15页 |
| 1.3 研究内容 | 第15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第二章 核极限学习机与粒子群优化算法 | 第17-27页 |
| 2.1 核极限学习机及相关理论知识 | 第17-21页 |
| 2.1.1 最小二乘支持向量机(LS-SVM) | 第17-19页 |
| 2.1.2 核极限学习机(KELM) | 第19-21页 |
| 2.2 粒子群优化策略 | 第21-26页 |
| 2.2.1 粒子群优化算法(PSO) | 第22页 |
| 2.2.2 混沌粒子群优化算法(CPSO) | 第22-24页 |
| 2.2.3 量子粒子群优化算法(QPSO) | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于混沌量子粒子群优化的核极限学习机 | 第27-37页 |
| 3.1 混沌量子粒子群优化算法(CQPSO) | 第27-29页 |
| 3.1.1 基于粒子群群体适应度函数方差的早熟判断方法 | 第27-28页 |
| 3.1.2 混沌量子粒子群算法 | 第28-29页 |
| 3.2 基于CQPSO优化的核极限学习机 | 第29-32页 |
| 3.2.1 核极限学习机的核函数 | 第29-31页 |
| 3.2.2 基于CQPSO的核极限学习机 | 第31-32页 |
| 3.3 实验设计与分析 | 第32-36页 |
| 3.3.1 实验设计 | 第32-33页 |
| 3.3.2 实验结果及分析 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于PSO优化策略的KELM在药物–靶标相互作用预测中的应用 | 第37-48页 |
| 4.1 药物-靶标相互作用预测 | 第37-39页 |
| 4.2 数据集 | 第39-40页 |
| 4.3 评价指标 | 第40-42页 |
| 4.4 基于PSO优化策略的KELM的药物–靶标相互作用预测方法 | 第42-43页 |
| 4.5 实验设计及分析 | 第43-47页 |
| 4.5.1 实验设计 | 第43-44页 |
| 4.5.2 实验结果分析 | 第44-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 基于PSO优化策略的KELM的领域适应学习 | 第48-64页 |
| 5.1 领域适应学习研究方法 | 第48-49页 |
| 5.2 基于KELM的领域适应学习方法 | 第49-59页 |
| 5.2.1 问题定义 | 第50-51页 |
| 5.2.2 特征匹配 | 第51-53页 |
| 5.2.3 实例重加权 | 第53页 |
| 5.2.4 DAKELM算法 | 第53-55页 |
| 5.2.5 实验设计 | 第55-56页 |
| 5.2.6 实验结果分析 | 第56-59页 |
| 5.3 基于PSO优化策略的KELM领域适应学习方法 | 第59-63页 |
| 5.3.1 实验设计 | 第60-61页 |
| 5.3.2 实验结果分析 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 论文总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 在学期间的研究成果 | 第72-73页 |
| 致谢 | 第73页 |
