| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-22页 |
| 1． 1 基于观测数据的建模 | 第11-12页 |
| 1． 2 药物定量构效关系(QSAR)研究 | 第12-13页 |
| 1． 2． 1 QSAR的概念 | 第12页 |
| 1． 2． 2 QSAR研究的基本过程 | 第12-13页 |
| 1． 3 基于观测数据的主要建模方法 | 第13-21页 |
| 1． 3． 1 最小二乘回归 | 第13-14页 |
| 1． 3． 2 主成分回归 | 第14-17页 |
| 1． 3． 3 偏最小二乘回归 | 第17-19页 |
| 1． 3． 4 神经网络 | 第19-20页 |
| 1． 3． 5 新近出现的方法 | 第20-21页 |
| 1． 4 本文内容组织 | 第21-22页 |
| 第二章 CSR-RBF网络 | 第22-30页 |
| 2． 1 RBF网络简介 | 第22-24页 |
| 2． 1． 1 RBF网络的结构 | 第22-23页 |
| 2． 1． 2 RBF网络的学习 | 第23-24页 |
| 2． 2 循环子空间回归(CSR) | 第24-27页 |
| 2． 2． 1 循环子空间回归(CSR)的原理 | 第24-25页 |
| 2． 2． 2 CSR的稳健算法 | 第25-26页 |
| 2． 2． 3 CSR的快速稳健算法 | 第26-27页 |
| 2． 3 RBF-CSR网络的构建 | 第27-28页 |
| 2． 3． 1 RBF-PLS网络简介 | 第27-28页 |
| 2． 3． 2 构建RBF-CSR网络 | 第28页 |
| 2． 4 小结 | 第28-30页 |
| 第三章 EGA-RBF-CSR网络为药物构效关系建模 | 第30-41页 |
| 3． 1 简单遗传算法 | 第30-33页 |
| 3． 1． 1 简单遗传算法概述 | 第30-32页 |
| 3． 1． 2 简单遗传算法(SGA)用作参数优化 | 第32-33页 |
| 3． 2 EGA-RBF-CSR方法的构建 | 第33-37页 |
| 3． 2． 1 EGA的提出 | 第34页 |
| 3． 2． 2 EGA-RBF-CSR的设计 | 第34-37页 |
| 3． 3 EGA-RBF-CSR方法为苯乙酰胺类除草剂QSAR建模 | 第37-40页 |
| 3． 3． 1 建模步骤 | 第37-38页 |
| 3． 3． 2 结果及讨论 | 第38-40页 |
| 3． 4 小结 | 第40-41页 |
| 第四章 统计学习理论与支持向量机 | 第41-54页 |
| 4． 1 统计学习理论 | 第41-45页 |
| 4． 1． 1 VC维 | 第41-42页 |
| 4． 1． 2 经验风险最小化原则 | 第42-44页 |
| 4． 1． 3 结构风险最小化原则 | 第44-45页 |
| 4． 2 支持向量机用于分类 | 第45-47页 |
| 4． 3 支持向量机用于回归 | 第47页 |
| 4． 4 SVM中的优化算法 | 第47-53页 |
| 4． 4． 1 SVM中优化算法的理论基础 | 第48-49页 |
| 4． 4． 2 SVM发展初期常用的优化算法 | 第49-50页 |
| 4． 4． 3 国际上近期出现的SVM优化算法 | 第50-52页 |
| 4． 4． 4 各种优化算法的分析比较 | 第52-53页 |
| 4． 5 小结 | 第53-54页 |
| 第五章 基于LSSVM的非线性PLS为QSAR建模 | 第54-67页 |
| 5． 1 非线性PLS | 第54-58页 |
| 5． 1． 1 基于样本数据变换的NLPLS | 第54-57页 |
| 5． 1． 2 基于内部非线性映射的NLPLS | 第57-58页 |
| 5． 2 LSSVM-PLS方法的构建 | 第58-64页 |
| 5． 2． 1 LSSVM的原理 | 第58-60页 |
| 5． 2． 2 LSSVM-PLS的原理 | 第60-61页 |
| 5． 2． 3 基于误差(error-based)的权值调整策略 | 第61-62页 |
| 5． 2． 4 用于EB-LSSVM-PLS的改进NIPALS算法 | 第62-64页 |
| 5． 3 EB-LSSVM-PLS为黄烷酮类衍生物的QSAR建模 | 第64-66页 |
| 5． 3． 1 引言 | 第64页 |
| 5． 3． 2 试验方式与性能评价指标 | 第64-65页 |
| 5． 3． 3 结果与分析 | 第65-66页 |
| 5． 4 小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-70页 |
| 6． 1 总结 | 第67-68页 |
| 6． 2 展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-77页 |
| 作者攻读硕士学位期间完成的论文及科研项目 | 第77页 |
