声明
第一章 引言
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 核极限学习机(KELM)
1.2.2 粒子群优化算法
1.2.3 药物–靶标相互作用预测
1.2.4 领域适应学习
1.3 研究内容
1.4 本文的组织结构
第二章 核极限学习机与粒子群优化算法
2.1 核极限学习机及相关理论知识
2.1.1 最小二乘支持向量机（LS-SVM）
2.1.2 核极限学习机（KELM）
2.2 粒子群优化策略
2.2.1 粒子群优化算法（PSO）
2.2.2 混沌粒子群优化算法（CPSO）
2.2.3 量子粒子群优化算法（QPSO）
2.3 本章小结
第三章 基于混沌量子粒子群优化的核极限学习机
3.1 混沌量子粒子群优化算法（CQPSO）
3.1.1 基于粒子群群体适应度函数方差的早熟判断方法
3.1.2 混沌量子粒子群算法
3.2 基于CQPSO优化的核极限学习机
3.2.1 核极限学习机的核函数
3.2.2 基于CQPSO的核极限学习机
3.3 实验设计与分析
3.3.1 实验设计
3.3.2 实验结果及分析
3.4 本章小结
第四章 基于PSO优化策略的KELM在药物–靶标相互作用预测中的应用
4.1 药物-靶标相互作用预测
4.2 数据集
4.3 评价指标
4.4 基于PSO优化策略的KELM的药物–靶标相互作用预测方法
4.5 实验设计及分析
4.5.1 实验设计
4.5.2 实验结果分析
4.6 本章小结
第五章 基于PSO优化策略的KELM的领域适应学习
5.1 领域适应学习研究方法
5.2 基于KELM的领域适应学习方法
5.2.1 问题定义
5.2.2 特征匹配
5.2.3 实例重加权
5.2.4 DAKELM算法
5.2.5 实验设计
5.2.6 实验结果分析
5.3 基于PSO优化策略的KELM领域适应学习方法
5.3.1 实验设计
5.3.2 实验结果分析
5.4 本章小结
第六章 总结与展望
6.1 论文总结
6.2 展望
参考文献
在学期间的研究成果
致谢
