| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-18页 |
| ·课题背景及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-15页 |
| ·本文主要研究内容 | 第15-16页 |
| ·本文组织结构 | 第16-18页 |
| 第2章 一类分类器基础 | 第18-31页 |
| ·一类分类器的数学模型 | 第18-19页 |
| ·基于密度函数估计的一类分类模型 | 第19-21页 |
| ·高斯模型 | 第19-20页 |
| ·高斯混合模型 | 第20页 |
| ·Parzen 窗模型 | 第20-21页 |
| ·基于聚类方法的一类分类模型 | 第21-22页 |
| ·k-均值法 | 第21-22页 |
| ·k-中心法 | 第22页 |
| ·基于神经网络的一类分类模型 | 第22-23页 |
| ·基于边界描述的一类分类模型 | 第23-28页 |
| ·支持向量数据描述 | 第23-24页 |
| ·一类支持向量机 | 第24-25页 |
| ·最近邻法 | 第25-26页 |
| ·最小生成树数据描述 | 第26-28页 |
| ·一类分类器性能评价指标 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 高维空间l1 范数约束的一类数据稀疏距离测度学习算法 | 第31-43页 |
| ·引言 | 第31-32页 |
| ·一类数据距离测度学习 | 第32-36页 |
| ·目标类样本间相似约束 | 第32-33页 |
| ·数据分布先验知识约束 | 第33-34页 |
| ·距离测度稀疏性约束 | 第34-35页 |
| ·距离测度学习算法 | 第35-36页 |
| ·嵌入距离测度的一类分类器 | 第36页 |
| ·实验仿真 | 第36-42页 |
| ·高斯分布样本点分类实验 | 第37-39页 |
| ·UCI 数据集分类实验 | 第39-41页 |
| ·MNIST 手写体数字识别实验 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 基于稀疏最小生成树覆盖模型的一类分类算法 | 第43-51页 |
| ·引言 | 第43页 |
| ·稀疏最小生成树覆盖模型 | 第43-46页 |
| ·目标类数据稀疏图表示模型 | 第44页 |
| ·目标类数据局部分布描述 | 第44-46页 |
| ·目标类数据稀疏最小生成树覆盖模型 | 第46页 |
| ·覆盖半径的设置 | 第46页 |
| ·覆盖模型参数选择 | 第46-47页 |
| ·实验仿真 | 第47-50页 |
| ·UCI 数据集分类实验 | 第47-48页 |
| ·MNIST 手写体数字识别实验 | 第48-49页 |
| ·MIT-CBCL 人脸识别实验 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 基于典型样本Steiner 最小树覆盖模型的一类分类算法 | 第51-62页 |
| ·引言 | 第51-52页 |
| ·典型样本Steiner 最小树覆盖模型 | 第52页 |
| ·样本修剪策略 | 第52-54页 |
| ·Steiner 最小树覆盖模型 | 第54-57页 |
| ·Steiner 最小树问题 | 第54-55页 |
| ·构建Steiner 最小树 | 第55-56页 |
| ·覆盖半径设置 | 第56页 |
| ·和最小生成树数据描述的比较与分析 | 第56-57页 |
| ·实验仿真 | 第57-61页 |
| ·UCI 数据集分类实验 | 第57-58页 |
| ·MNIST 手写体数字识别实验 | 第58-60页 |
| ·MIT-CBCL 人脸识别实验 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第6章 基于高维空间凸壳数据描述的一类分类算法 | 第62-72页 |
| ·引言 | 第62页 |
| ·凸壳数据描述 | 第62-66页 |
| ·基本概念 | 第62-63页 |
| ·原始形式 | 第63-65页 |
| ·核化形式 | 第65-66页 |
| ·鲁棒的凸壳数据描述 | 第66页 |
| ·和支持向量数据描述的比较与分析 | 第66-67页 |
| ·实验仿真 | 第67-71页 |
| ·UCI 数据集分类实验 | 第67-69页 |
| ·MNIST 手写体数字识别实验 | 第69-70页 |
| ·MIT-CBCL 人脸识别实验 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第79-80页 |
| 致谢 | 第80-81页 |
| 作者简介 | 第81页 |