| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 表格索引 | 第12-13页 |
| 插图索引 | 第13-14页 |
| 主要符号对照表 | 第14-15页 |
| 第一章 绪论 | 第15-21页 |
| ·研究背景及意义 | 第15-17页 |
| ·国内外研究现状 | 第17-19页 |
| ·本文主要工作 | 第19-21页 |
| 第二章 相关工作 | 第21-31页 |
| ·集成学习方法概述 | 第21-22页 |
| ·弱分类器的研究 | 第22-25页 |
| ·决策树的概述 | 第22-25页 |
| ·整合方法的研究 | 第25-29页 |
| ·Bagging算法 | 第26-27页 |
| ·Boosting算法 | 第27页 |
| ·随机森林 | 第27-29页 |
| ·集成学习方法的多样性 | 第29-30页 |
| ·模型好坏的衡量标准 | 第30-31页 |
| 第三章 蚁群集成学习算法(ACO-Ensemble)的提出及实现 | 第31-47页 |
| ·蚁群算法概述 | 第31-36页 |
| ·蚁群算法的原理与机制 | 第32-33页 |
| ·蚁群算法的基本特点 | 第33-34页 |
| ·蚁群算法的实现 | 第34-36页 |
| ·蚁群算法参数选择原则 | 第36-38页 |
| ·迭代终止条件 | 第36-37页 |
| ·信息启发式因子的选择 | 第37页 |
| ·期望启发式因子的选择 | 第37-38页 |
| ·信息素残留因子的选择 | 第38页 |
| ·信息素强度的选择 | 第38页 |
| ·蚂蚁数目的选择 | 第38页 |
| ·蚁群集成学习算法(ACO-Ensemble) | 第38-47页 |
| ·蚁群集成学习算法的提出 | 第39-40页 |
| ·蚁群集成学习算法的特殊性 | 第40-41页 |
| ·连续蚁群算法的实现 | 第41-47页 |
| 第四章 蚁群集成学习算法在药物预测中的应用 | 第47-61页 |
| ·药物预测的背景 | 第47-49页 |
| ·类药性化合物 | 第47-48页 |
| ·类药性化合物和非类药性化合物的比较 | 第48-49页 |
| ·实验结果及分析 | 第49-59页 |
| ·数据集的描述 | 第49页 |
| ·弱分类器的筛选 | 第49-53页 |
| ·蚁群集成学习方法参数调整 | 第53-58页 |
| ·集成学习方法比较 | 第58-59页 |
| ·本章小结 | 第59-61页 |
| 第五章 蚁群集成学习算法的并行性研究 | 第61-69页 |
| ·集成学习并行实现的研究现状 | 第61-62页 |
| ·蚁群集成学习算法的并行实现 | 第62-67页 |
| ·MapReduce简介 | 第62-63页 |
| ·基本思想 | 第63-67页 |
| ·实验结果 | 第67页 |
| ·本章小结 | 第67-69页 |
| 总结与展望 | 第69-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-81页 |
| 攻读学位期间发表的学术论文目录 | 第81-83页 |
| 攻读学位期间参与的项目 | 第83页 |