| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-12页 |
| ·研究背景及研究意义 | 第8-9页 |
| ·国内外研究现状 | 第9-10页 |
| ·论文安排 | 第10-12页 |
| 第二章 特征选择 | 第12-17页 |
| ·特征选择基本概念 | 第12-14页 |
| ·特征选择算法的结构 | 第12-13页 |
| ·特征选择算法的伪代码 | 第13-14页 |
| ·特征选择基本模型 | 第14-15页 |
| ·过滤器 | 第14-15页 |
| ·封装器 | 第15页 |
| ·混合模型 | 第15页 |
| ·本章小结 | 第15-17页 |
| 第三章 特征选择的稳定性以及集成特征选择 | 第17-24页 |
| ·特征选择算法稳定性 | 第17-19页 |
| ·稳定性定义 | 第17-18页 |
| ·稳定性度量方式 | 第18-19页 |
| ·集成学习 | 第19-22页 |
| ·集成学习思想 | 第19-21页 |
| ·集成学习方法 | 第21-22页 |
| ·集成特征选择算法 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第四章 基于能量模型的集成特征选择 | 第24-37页 |
| ·能量模型 | 第24-27页 |
| ·能量模型的组成 | 第24-25页 |
| ·常用的损失函数 | 第25-27页 |
| ·基于能量模型的特征选择算法(L-Lmba) | 第27-30页 |
| ·分类间隔 | 第27-28页 |
| ·基于能量模型的特征排序框架 | 第28-29页 |
| ·特征选择算法 L-Lmba | 第29-30页 |
| ·算法性能分析 | 第30页 |
| ·基于能量模型的集成特征选择算法（Ensemble L-Lmba） | 第30-31页 |
| ·Ensemble L-Lmba 采用的稳定性度量方式 | 第30-31页 |
| ·集成特征选择选择算法 Ensemble L-Lmba | 第31页 |
| ·实验结果以及分析 | 第31-35页 |
| ·本章小结 | 第35-37页 |
| 第五章 基于 Logistic 损失的集成特征选择算法 | 第37-49页 |
| ·L2 正则化项 | 第37页 |
| ·基于 Logistic 损失的特征选择算法 logsf | 第37-39页 |
| ·基于 Logistic 损失的集成特征选择算法 L2-en-logsf | 第39-40页 |
| ·实验结果与分析 | 第40-47页 |
| ·本章小结 | 第47-49页 |
| 第六章 基于局部学习和差异性的集成特征权重排序算法 | 第49-60页 |
| ·基于局部学习的特征选择算法 | 第49页 |
| ·差异性 | 第49-50页 |
| ·基于局部学习和差异性的集成特征权重排序算法 | 第50-52页 |
| ·实验结果及分析 | 第52-58页 |
| ·稳定性实验结果 | 第52-53页 |
| ·分类性能实验结果 | 第53-54页 |
| ·结论 | 第54-58页 |
| ·本章小结 | 第58-60页 |
| 第七章 总结与展望 | 第60-62页 |
| ·本文的主要工作 | 第60页 |
| ·进一步的研究工作 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 附录 1 攻读硕士学位期间撰写的论文 | 第65-66页 |
| 附录 2 攻读硕士学位期间参加的科研项目 | 第66-67页 |
| 致谢 | 第67页 |
