多示例学习算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-12页 |
| ·研究背景 | 第7-10页 |
| ·分子活性预测 | 第7-9页 |
| ·传统分子活性预测算法 | 第9-10页 |
| ·论文的研究内容 | 第10-11页 |
| ·论文的结构 | 第11-12页 |
| 第二章 多示例学习的相关研究 | 第12-28页 |
| ·多示例学习概念 | 第12-16页 |
| ·多示例问题 | 第12-15页 |
| ·多示例学习 | 第15页 |
| ·标准多示例学习与传统学习算法的区别 | 第15-16页 |
| ·多示例学习的分类 | 第16-18页 |
| ·多示例概念学习与多部分学习 | 第16-17页 |
| ·实数型多示例学习(多示例回归) | 第17页 |
| ·广义多示例学习 | 第17-18页 |
| ·多示例学习的理论与算法研究 | 第18-26页 |
| ·多示例学习的可学习性 | 第20-21页 |
| ·多示例学习的算法研究 | 第21-26页 |
| ·小结 | 第26-28页 |
| 第三章 基于规格化径向基函数网络的多示例学习 | 第28-36页 |
| ·预备知识 | 第28-30页 |
| ·径向基函数网络 | 第28-29页 |
| ·Housdorff距离 | 第29-30页 |
| ·多示例学习算法NRBF-MI隐藏层的训练 | 第30-34页 |
| ·NRBF-MI的网络结构 | 第30-31页 |
| ·NRBF-MI网络隐藏层的训练算法BCTR | 第31-33页 |
| ·核函数半径对NRBF-MI性能的影响 | 第33-34页 |
| ·NRBF-MI输出层的训练 | 第34-35页 |
| ·算法NRBF-MI | 第35-36页 |
| 第四章 基于聚类的多示例预测结构发现 | 第36-39页 |
| ·多示例数据集的预测结构 | 第36-37页 |
| ·基于聚类的多示例预测结构发现算法AGG-MI | 第37-39页 |
| 第五章 实验设计与分析 | 第39-48页 |
| ·实验数据集 | 第39-41页 |
| ·麝香分子数据集MUSK | 第39-40页 |
| ·LJ-r.f.s人工数据集 | 第40-41页 |
| ·实验设计 | 第41-42页 |
| ·算法NRBF-MI的实验设计 | 第41页 |
| ·算法AGG-MI的实验设计 | 第41-42页 |
| ·实验结果与分析 | 第42-48页 |
| ·算法NRBF-MI的实验结果与分析 | 第42-45页 |
| ·算法AGG-MI的实验结果与分析 | 第45-48页 |
| 第六章 总结与展望 | 第48-49页 |
| ·本文总结 | 第48页 |
| ·未来工作展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 致谢 | 第53-54页 |
| 附录(攻读学位期间发表的学术论文) | 第54页 |
