基于视角学习的分类算法研究
| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第1章 绪论 | 第13-27页 |
| 1.1 课题背景 | 第13-14页 |
| 1.2 视角的概念 | 第14-15页 |
| 1.3 单视角和多视角分类算法简介 | 第15-21页 |
| 1.3.1 单视角分类算法 | 第16-19页 |
| 1.3.2 多视角分类算法 | 第19-21页 |
| 1.4 研究动机 | 第21-23页 |
| 1.5 研究内容 | 第23-25页 |
| 1.6 组织结构 | 第25-27页 |
| 第2章 基于遗传算法的单视角分类算法研究 | 第27-65页 |
| 2.1 研究动机 | 第27-30页 |
| 2.1.1 优化模型参数 | 第27-28页 |
| 2.1.2 特征选择 | 第28-30页 |
| 2.2 相关工作 | 第30-34页 |
| 2.2.1 遗传算法 | 第30-31页 |
| 2.2.2 极限学习机 | 第31-33页 |
| 2.2.3 集成方法 | 第33-34页 |
| 2.3 基于遗传算法的极限学习机 | 第34-43页 |
| 2.3.1 方法框架 | 第35-37页 |
| 2.3.2 算法分析 | 第37-39页 |
| 2.3.3 实验研究 | 第39-43页 |
| 2.4 基于遗传算法的包装式特征选择方法 | 第43-63页 |
| 2.4.1 方法框架 | 第44-48页 |
| 2.4.2 实验研究 | 第48-56页 |
| 2.4.3 验证遗传算法的搜索能力 | 第56-57页 |
| 2.4.4 验证特征评分的有效性 | 第57-59页 |
| 2.4.5 验证移民策略的有效性 | 第59-61页 |
| 2.4.6 验证自动优化模型超参的作用 | 第61-63页 |
| 2.5 本章小结 | 第63-65页 |
| 第3章 基于单视角学习的多视角分类算法研究 | 第65-87页 |
| 3.1 研究动机 | 第65-67页 |
| 3.2 相关工作 | 第67-68页 |
| 3.2.1 多标签学习 | 第67页 |
| 3.2.2 基于数据融合角度的多视角学习算法 | 第67-68页 |
| 3.3 基于单视角学习的多视角分类算法设计 | 第68-76页 |
| 3.3.1 算法框架 | 第69-70页 |
| 3.3.2 优化方法 | 第70-74页 |
| 3.3.3 收敛性分析以及时间计算复杂度分析 | 第74-76页 |
| 3.4 实验研究 | 第76-85页 |
| 3.4.1 对比算法 | 第76-78页 |
| 3.4.2 多类分类问题 | 第78-80页 |
| 3.4.3 多标签分类问题 | 第80-84页 |
| 3.4.4 运行时间分析和收敛性分析 | 第84-85页 |
| 3.5 本章小结 | 第85-87页 |
| 第4章 基于子空间学习的多视角分类算法研究 | 第87-105页 |
| 4.1 研究动机 | 第87-89页 |
| 4.2 相关工作 | 第89-90页 |
| 4.3 基于子空间学习的多视角算法设计 | 第90-97页 |
| 4.3.1 算法框架 | 第90-92页 |
| 4.3.2 优化方法 | 第92-96页 |
| 4.3.3 收敛性分析 | 第96-97页 |
| 4.4 实验研究 | 第97-103页 |
| 4.4.1 对比算法 | 第97-98页 |
| 4.4.2 数据集及实验设置 | 第98-100页 |
| 4.4.3 实验结果及相关分析 | 第100-102页 |
| 4.4.4 算法收敛性分析 | 第102-103页 |
| 4.5 本章小结 | 第103-105页 |
| 第5章 总结与展望 | 第105-109页 |
| 5.1 本文工作总结 | 第105-107页 |
| 5.2 未来工作展望 | 第107-109页 |
| 参考文献 | 第109-120页 |
| 作者简历 | 第120-122页 |
| 致谢 | 第122页 |
