| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 引言 | 第10-19页 |
| 一、研究背景 | 第10-11页 |
| 二、原子、分子和化学键 | 第11页 |
| 三、分子中化学键的强弱与分子的化学结构稳定性 | 第11-13页 |
| 四、化学键能定义 | 第13-14页 |
| 五、D，De 和Do 的相互关系 | 第14页 |
| 六、稳定化合物中最弱键能的小限值 | 第14-15页 |
| 七、键能规则的适用范围—超快和选键化学 | 第15-16页 |
| 八、计算键能的主要理论方法 | 第16-17页 |
| 九、本论文的研究内容及意义 | 第17-19页 |
| 第二章 理论基础 | 第19-46页 |
| 一、量子化学计算方法 | 第19-28页 |
| （一） 分子轨道从头算方法 | 第19-23页 |
| （二） 半经验计算方法 | 第23-25页 |
| （三） 密度泛函理论方法 | 第25-28页 |
| 二、基组 | 第28-30页 |
| （一） STO-NG | 第29页 |
| （二） 分裂价基 | 第29页 |
| （三） 极化基 | 第29页 |
| （四） 弥散基组 | 第29-30页 |
| 三、校正方法 | 第30-46页 |
| （一） 平均影响值 | 第30页 |
| （二） 灰色关联分析 | 第30-31页 |
| （三） 主成分分析 | 第31-33页 |
| （四） 反向传播神经网络 | 第33-35页 |
| （五） 径向基神经网络 | 第35-37页 |
| （六） 广义回归神经网络 | 第37-39页 |
| （七） 自组织特征映射神经网络 | 第39-42页 |
| （八） 支持向量机 | 第42-46页 |
| 第三章 提高密度泛函理论方法计算均裂能精度：基于平均影响值的反向传播神经网络 | 第46-57页 |
| 一、引言 | 第46-47页 |
| 二、计算部分 | 第47-52页 |
| （一） 数据集 | 第47-48页 |
| （二） 物理参数计算 | 第48-50页 |
| （三） 物理参数选择 | 第50-52页 |
| 三、结果与讨论 | 第52-55页 |
| 四、结论 | 第55-57页 |
| 第四章 提高密度泛函理论方法计算均裂能精度：基于灰色关联分析和主成分分析的广义回归神经网络 | 第57-66页 |
| 一、引言 | 第57-58页 |
| 二、计算部分 | 第58-59页 |
| （一） 数据集 | 第58页 |
| （二） 物理参数计算 | 第58页 |
| （三） 物理参数选择 | 第58-59页 |
| 三、结果与讨论 | 第59-65页 |
| 四、结论 | 第65-66页 |
| 第五章 提高密度泛函理论方法计算均裂能精度：基于自组织特征映射的支持向量机方法 | 第66-73页 |
| 一、引言 | 第66-67页 |
| 二、计算部分 | 第67页 |
| （一） 数据集 | 第67页 |
| （二） 物理参数计算 | 第67页 |
| （三） 物理参数选择 | 第67页 |
| 三、理论方法 | 第67页 |
| 四、结果和讨论 | 第67-72页 |
| （一） SOM 神经网络进行物理参数筛选 | 第67-68页 |
| （二） LS-SVM 惩罚参数c 和核函数参数g 的选取 | 第68-69页 |
| （三） SOM-LS-SVM 校正结果 | 第69-72页 |
| 五、结论 | 第72-73页 |
| 总结与展望 | 第73-74页 |
| 参考文献 | 第74-84页 |
| 致谢 | 第84-85页 |
| 在学期间公开发表论文及著作情况 | 第85页 |
