SVM在肾结石分类和计算热力学参数中的应用

摘要

近些年来，由于支撑向量机(SupportVectorMachine，SVM)在机器学习方面的卓越性能，对其的关注也越来越多。SVM最初是由Vapnik提出的一类指导学习算法，由于其优异的泛化能力，引起了人们越来越多的注意，并得到了广泛的应用。正是由于支持向量机方法良好的理论基础和泛化性能，本论文将支持向量机引入到化学信息学和医学等领域，应用其解决相关领域以前其他方法还不能完善解决的问题。通过建立准确、高效的定量结构—性质关系模型，能够快速有效地进行新化合物性质的预测以及对肾结石进行分类研究，并且从结石形成的化学驱动力和钙离子的生化特性方面解释了肾结石形成的原因，以供研究者和医学工作者参考。 本论文第一章简述了定量结构性质关系的基本原理，实现步骤以及研究现状，指出当前QSPR研究中一些方法的不足，引入支持向量机方法；然后详细描述了SVM的基本原理并综述了其在QSPR中的应用。这些理论和现状分析为我们开展本论文的研究工作提供了理论基础和依据。 在第二章中，我们将SVM方法引入肾结石的分类研究并和在此领域中使用较广泛的线性判别式方法(LDA)作比较。通过对2501例结石病例进行了分类预测和方法比较，结果显示，它们都表现出了很好的预测能力。由于肾结石的成因比较复杂，与自然环境，社会生活条件，全身性代谢紊乱及泌尿系统本身的疾患有关，因此我们从钙离子生物学特性方面讨论了含钙结石占结石总量94.4％的原因。 在第三章中我们将SVM引入到化学信息学领域，应用多元线性回归(MLR)和支撑向量机(SVM)对607种有机化合物的结构和他们的吉布斯自由能建立相应的QSPR模型并构造线性和非线性预测模型，由前向逐步回归分析得到的13个描述符作为模型的输入，支撑向量机方法得到的模型对整个数据集、训练集、测试集的平均绝对偏差分别为31.0989KJ/mol，30.5695KJ/mol，35.9246KJ/mol，表明高斯核函数SVM模型性能优于MLR模型。

目录

文摘

英文文摘

原创性声明及关于学位论文使用授权的声明

论文创新之处

第一章支撑向量机算法的原理及在QSPR中的应用

第二章基于支撑向量机和线形判别式的肾结石分类方法

第三章基于支撑向量机方法的有机化合物的生成吉布斯自由能的预测

附录Ⅰ在读硕士学位期间发表论文目录

附录Ⅱ作者简介

致谢