基于度量学习的分子子结构预测研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-10页 |
| 1.1 研究背景及意义 | 第7页 |
| 1.2 国内外研究历程和发展趋势 | 第7-9页 |
| 1.3 本文的主要研究内容及结构安排 | 第9-10页 |
| 第二章 经典分类方法 | 第10-21页 |
| 2.1 非线性分类器 | 第10-18页 |
| 2.1.1 K-近邻算法 | 第10-11页 |
| 2.1.2 支持向量机 | 第11-14页 |
| 2.1.3 分类回归树 | 第14-17页 |
| 2.1.4 神经网络 | 第17-18页 |
| 2.2 线性分类器 | 第18-20页 |
| 2.2.1 线性鉴别分析 | 第18-19页 |
| 2.2.2 Logistic回归 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 度量学习基本理论 | 第21-38页 |
| 3.1 度量学习算法概述 | 第21-22页 |
| 3.2 经典的几种距离度量学习算法 | 第22-37页 |
| 3.2.1 监督距离度量学习 | 第22-31页 |
| 3.2.2 无监督距离度量学习 | 第31-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 度量学习算法实现及实验结果 | 第38-53页 |
| 4.1 质谱及其特性 | 第38-39页 |
| 4.2 质谱特征 | 第39-44页 |
| 4.3 质谱数据样本格式及标签 | 第44-46页 |
| 4.4 实验结果及分析 | 第46-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间的研究成果 | 第60页 |
