| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题研究背景 | 第11-13页 |
| 1.2 研究现状 | 第13-19页 |
| 1.2.1 集成学习的研究现状 | 第13-15页 |
| 1.2.2 本文算法的研究现状 | 第15-19页 |
| 1.3 本文的主要工作 | 第19页 |
| 1.4 论文的组织结构 | 第19-21页 |
| 第2章 相关算法简介 | 第21-35页 |
| 2.1 引言 | 第21页 |
| 2.2 多元矫正 | 第21-25页 |
| 2.2.1 偏最小二乘法的基本原理 | 第21-23页 |
| 2.2.2 潜变量数目确定方法 | 第23-25页 |
| 2.3 集成学习 | 第25-32页 |
| 2.3.1 Bagging算法 | 第28-30页 |
| 2.3.2 Stacking算法 | 第30-32页 |
| 2.4 选择性集成 | 第32-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第3章 bagging-sltpls算法 | 第35-41页 |
| 3.1 引言 | 第35-36页 |
| 3.2 Bagging PLS | 第36页 |
| 3.3 Stacking PLS | 第36-38页 |
| 3.4 bagging-sltpls算法 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 bagging-sltpls的内层和外层循环算法 | 第41-51页 |
| 4.1 引言 | 第41页 |
| 4.2 内层步骤策略 | 第41-48页 |
| 4.2.1 内层步骤策略的理论推导 | 第41-47页 |
| 4.2.2 内层步骤最优参数的判定 | 第47-48页 |
| 4.3 外层循环步骤权重分配策略 | 第48-49页 |
| 4.3.1 外层循环步骤权重分配的理论 | 第48-49页 |
| 4.3.2 外层循环步骤选择性规则的确定 | 第49页 |
| 4.4 本章小结 | 第49-51页 |
| 第5章 bagging-sltpls的验证 | 第51-65页 |
| 5.1 引言 | 第51页 |
| 5.2 数据集 | 第51-54页 |
| 5.3 计算 | 第54-55页 |
| 5.4 实验结果与分析 | 第55-63页 |
| 5.4.1 啤酒数据集实验结果与分析 | 第55-59页 |
| 5.4.2 红酒数据集实验结果与分析 | 第59-60页 |
| 5.4.3 药片数据集实验结果与分析 | 第60-61页 |
| 5.4.4 糖数据集实验结果与分析 | 第61-62页 |
| 5.4.5 选择性集成交互检验权重规则上的子模型数量 | 第62-63页 |
| 5.5 结论 | 第63页 |
| 5.6 本章小结 | 第63-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 6.1 本文工作总结 | 第65-66页 |
| 6.2 未来研究方向 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71页 |