基于图拉普拉斯的稀疏贝叶斯分类算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 引言 | 第13-15页 |
| 1.2 研究背景 | 第15-17页 |
| 1.3 研究内容与创新点 | 第17页 |
| 1.4 本文结构安排 | 第17-19页 |
| 第二章 稀疏贝叶斯学习 | 第19-29页 |
| 2.1 贝叶斯统计理论 | 第19-23页 |
| 2.1.1 贝叶斯有关概念及贝叶斯定理 | 第20页 |
| 2.1.2 贝叶斯估计 | 第20-21页 |
| 2.1.3 最大似然估计 | 第21-22页 |
| 2.1.4 贝叶斯学习 | 第22-23页 |
| 2.2 主动相关决策理论 | 第23-25页 |
| 2.3 稀疏贝叶斯学习理论 | 第25-29页 |
| 2.3.1 稀疏贝叶斯背景简介 | 第25-26页 |
| 2.3.2 稀疏贝叶斯回归模型 | 第26-29页 |
| 第三章 流形正则化与拉普拉斯 | 第29-35页 |
| 3.1 流形和流形学习 | 第29-30页 |
| 3.1.1 流形的基本概念 | 第29页 |
| 3.1.2 流形学习简介 | 第29-30页 |
| 3.2 流形正则化 | 第30-32页 |
| 3.2.1 拉普拉斯特征映射 | 第30-32页 |
| 3.2.2 流形正则化 | 第32页 |
| 3.3 拉普拉斯近似 | 第32-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第四章 基于图拉普拉斯的稀疏贝叶斯分类算法 | 第35-45页 |
| 4.1 模型概述 | 第35-36页 |
| 4.2 稀疏流形先验 | 第36-37页 |
| 4.3 计算后验概率的分布 | 第37-39页 |
| 4.4 超参数优化 | 第39-41页 |
| 4.5 算法实现过程 | 第41-42页 |
| 4.6 预测结果分析 | 第42-45页 |
| 第五章 实验结果分析 | 第45-57页 |
| 5.1 人工合成数据集测试 | 第45-48页 |
| 5.2 标准数据集测试 | 第48-51页 |
| 5.3 流形数据集测试 | 第51-52页 |
| 5.4 模型的稀疏性 | 第52-54页 |
| 5.5 算法复杂度分析 | 第54-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 本文工作总结 | 第57-58页 |
| 6.2 未来研究工作 | 第58-59页 |
| 参考文献 | 第59-61页 |
| 致谢 | 第61-63页 |
| 在读期间发表的学术论文与取得的研究成果 | 第63页 |
