首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--自动推理、机器学习论文

分类器集成研究

摘要第1-7页
Abstract第7-12页
第一章 绪论第12-30页
   ·集成学习概述第12-17页
     ·集成学习及其思想渊源第12-13页
     ·集成学习的基础工作和发展历史第13-16页
     ·集成学习的有效原因和条件第16-17页
   ·模式分类器的集成第17-24页
     ·基分类器的产生方式第18-21页
     ·分类器集成的构造方式第21页
     ·分类器分类结果的合成方式第21-24页
   ·集成学习的学习方式第24-25页
   ·集成学习评价第25-26页
     ·分析方法第25页
     ·算法评价第25-26页
   ·论文主要工作和组织结构第26-29页
   ·论文创新点第29-30页
第二章 集成误差分析与矢量标签第30-48页
   ·引言第30页
   ·集成学习投票法和平均法分析第30-40页
     ·投票法和平均法的比较第30页
     ·集成误差分析第30-35页
     ·分类器性能对集成的影响第35-40页
   ·矢量标签设计第40-43页
   ·多数投票法与平均法的一致第43-45页
   ·本章小结第45-48页
第三章 快速选择性集成第48-58页
   ·引言第48页
   ·基于"删差"和差异度修剪Bagging集成第48-51页
     ·选择性集成的"删差"方法第48-49页
     ·删除最差个体学习器修剪Bagging算法第49-50页
     ·基于"删差"和差异度修剪Bagging集成算法第50-51页
   ·层次修剪加速选择性集成第51-53页
     ·层次修剪加速选择性集成算法第51-52页
     ·算法时间复杂度分析和并行运算分析第52-53页
   ·实验分析第53-56页
     ·学习性能和修剪性能第53-54页
     ·不同规模和不同学习能力基学习器的性能比较第54-55页
     ·GASEN、Bagging和层次修剪算法对比试验第55-56页
   ·本章小结第56-58页
第四章 分类噪声检测第58-82页
   ·引言第58页
   ·数据集设计第58-59页
   ·基于Cascade使用剪枝Bagging探测噪声第59-65页
     ·基于Boosting和聚类来修剪Bagging集成第59-60页
     ·噪声探测分析第60-63页
     ·试验与分析第63-65页
     ·小结第65页
   ·伪噪声与快速AdaBoost算法第65-76页
     ·Boosting检测噪声能力分析第65-68页
     ·基于聚类的AdaBoost快速算法第68-71页
     ·弱Boosting算法第71-73页
     ·基于聚类更新Boosting算法实现快速噪声检测和剔除第73-76页
   ·基于Boosting和K-NN的噪声检测第76-79页
     ·数据集噪声第76-77页
     ·基于Boosting和K-NN的Cascade噪声检测第77-78页
     ·试验与分析第78-79页
   ·本章小结第79-82页
第五章 基于聚类分割和ACS采样的集成学习第82-98页
   ·引言第82页
   ·分而治之(Divide and Conquer)与边界拼贴第82-87页
   ·Bootstrap sampling与Adapative clustering sampling(ACS)第87-90页
   ·置信估计与基于矢量坐标的学习第90-91页
   ·使用聚类分割模型空间第91-93页
   ·ACS-Randomization第93-96页
     ·定位{x_1}与标签设计第93页
     ·算法设计第93-94页
     ·试验设计第94-96页
   ·本章小结第96-98页
第六章 集成增量追踪第98-109页
   ·引言第98-99页
   ·集成增量追踪第99-100页
   ·基于矢量标签和快速选择性集成的增量追踪第100-104页
   ·特征选择与弱分类器第104-105页
   ·算法加速与噪声剔除第105-106页
   ·试验第106-107页
   ·本章小结第107-109页
结束语第109-111页
致谢第111-112页
参考文献第112-120页
附录第120页

论文共120页,点击 下载论文
上一篇:最小二乘支持向量机的若干问题与应用研究
下一篇:几种网络控制系统的故障检测与容错控制研究