| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第13-27页 |
| 1.1 研究背景与意义 | 第13-16页 |
| 1.2 置信机器学习 | 第16-20页 |
| 1.2.1 置信机器概述 | 第17-18页 |
| 1.2.2 置信机器学习系统模型 | 第18页 |
| 1.2.3 置信机器学习系统结构 | 第18-20页 |
| 1.3 研究现状 | 第20-23页 |
| 1.3.1 直推式置信机器 | 第20页 |
| 1.3.2 基于集成的置信机器 | 第20-21页 |
| 1.3.3 置信回归 | 第21-23页 |
| 1.3.4 目前的应用与研究 | 第23页 |
| 1.4 本论文组织结构与创新点 | 第23-27页 |
| 1.4.1 本论文组织结构 | 第24页 |
| 1.4.2 创新点 | 第24-27页 |
| 2 置信机器理论基础与置信度机制 | 第27-39页 |
| 2.1 置信机器理论基础 | 第27页 |
| 2.2 一般机器学习方法的置信机制 | 第27-30页 |
| 2.2.1 置信度机制原理及分析 | 第28-29页 |
| 2.2.2 置信度机制实现方法 | 第29-30页 |
| 2.2.3 应用分析与总结 | 第30页 |
| 2.3 贝叶斯学习方法的置信度机制 | 第30-32页 |
| 2.3.1 置信度机制原理 | 第30-31页 |
| 2.3.2 原理分析 | 第31-32页 |
| 2.3.3 应用分析与总结 | 第32页 |
| 2.4 直推式学习方法的置信度机制 | 第32-35页 |
| 2.4.1 直推式学习方法 | 第32-33页 |
| 2.4.2 置信度机制原理 | 第33页 |
| 2.4.3 应用分析与总结 | 第33-35页 |
| 2.5 带有拒绝选项学习方法的置信度机制 | 第35-37页 |
| 2.5.1 置信度机制原理 | 第35-36页 |
| 2.5.2 拒绝类别的处理 | 第36页 |
| 2.5.3 应用分析与总结 | 第36-37页 |
| 2.6 置信度机制比较分析 | 第37-38页 |
| 2.7 本章小结 | 第38-39页 |
| 3 基于一类分类器的二元置信分类TCCC-OCC算法 | 第39-65页 |
| 3.1 问题的提出 | 第39-40页 |
| 3.2 算法的设计与实现 | 第40-53页 |
| 3.2.1 理论基础 | 第40-46页 |
| 3.2.2 用一类分类器解决二元置信分类问题 | 第46-48页 |
| 3.2.3 用多层置信集成分类实现增强分类 | 第48-50页 |
| 3.2.4 算法实现 | 第50-53页 |
| 3.3 数据与结果 | 第53-60页 |
| 3.4 讨论 | 第60-63页 |
| 3.5 本章小结 | 第63-65页 |
| 4 基于二元分类器的可控置信分类CCC-TCC算法 | 第65-87页 |
| 4.1 问题的引入 | 第65页 |
| 4.2 算法的设计与实现 | 第65-80页 |
| 4.2.1 理论基础 | 第65-70页 |
| 4.2.2 算法的两种情况 | 第70-72页 |
| 4.2.3 四种情况的考虑 | 第72-74页 |
| 4.2.4 算法实现 | 第74-80页 |
| 4.3 数据与结果 | 第80-83页 |
| 4.4 讨论 | 第83-86页 |
| 4.5 本章小结 | 第86-87页 |
| 5 基于KNN的置信回归CR-KNN算法 | 第87-111页 |
| 5.1 问题的说明 | 第87页 |
| 5.2 算法的设计与实现 | 第87-103页 |
| 5.2.1 理论基础 | 第87-91页 |
| 5.2.2 KNN算法的实现 | 第91-93页 |
| 5.2.3 接受域与拒绝域的划分 | 第93页 |
| 5.2.4 误差的计算 | 第93-94页 |
| 5.2.5 算法实现 | 第94-103页 |
| 5.3 数据与结果 | 第103-109页 |
| 5.4 讨论 | 第109-110页 |
| 5.5 本章小结 | 第110-111页 |
| 6 结论 | 第111-115页 |
| 6.1 本文工作总结 | 第111-112页 |
| 6.2 进一步研究展望 | 第112-115页 |
| 参考文献 | 第115-129页 |
| 附录A | 第129-137页 |
| 作者简历及攻读博士学位期间取得的研究成果 | 第137-141页 |
| 学位论文数据集 | 第141页 |