集成学习算法研究
| 第一章 绪论 | 第1-14页 |
| ·课题的研究背景及意义 | 第9-10页 |
| ·国内外研究和发展现状 | 第10-12页 |
| ·国外研究现状 | 第10-11页 |
| ·国内研究现状 | 第11-12页 |
| ·本文的主要工作和组织结构 | 第12-14页 |
| ·本文的主要工作 | 第12页 |
| ·本文的组织结构 | 第12-14页 |
| 第二章 集成学习 | 第14-25页 |
| ·集成学习的理论基础 | 第14-16页 |
| ·集成学习的起源 | 第14-15页 |
| ·集成学习的基本概念 | 第15页 |
| ·集成学习的构成 | 第15页 |
| ·集成学习的作用 | 第15-16页 |
| ·集成学习的主要算法 | 第16-23页 |
| ·Boosting算法 | 第16-19页 |
| ·Boosting算法的提出 | 第16-17页 |
| ·Boosting算法描述 | 第17-19页 |
| ·Boosting理论分析 | 第19页 |
| ·Bagging算法 | 第19-22页 |
| ·Bagging算法的提出 | 第19-20页 |
| ·Bagging算法描述 | 第20-21页 |
| ·Bagging理论分析 | 第21-22页 |
| ·Boosting & Bagging应用研究 | 第22-23页 |
| ·集成学习的不足及发展方向 | 第23-24页 |
| ·现有集成学习的不足 | 第23页 |
| ·集成学习的发展方向 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 选择性集成技术 | 第25-30页 |
| ·选择性集成的提出 | 第25-26页 |
| ·选择性集成的理论基础 | 第26-28页 |
| ·选择性集成算法GASEN | 第28-29页 |
| ·选择性集成的不足和发展方向 | 第29页 |
| ·本章小结 | 第29-30页 |
| 第四章 基于蚁群优化算法的选择性集成 | 第30-45页 |
| ·蚁群优化算法 | 第30-32页 |
| ·蚁群优化算法的原理 | 第30-31页 |
| ·蚁群优化算法的特点 | 第31页 |
| ·蚁群优化算法的求解步骤 | 第31-32页 |
| ·基于蚁群优化算法的选择性集成ACOSEN | 第32-44页 |
| ·问题描述 | 第32-33页 |
| ·基于蚁群优化算法的选择性集成的基本思想 | 第33页 |
| ·基于蚁群优化算法的选择性集成的算法描述 | 第33-35页 |
| ·实验模拟和分析 | 第35-44页 |
| ·实验平台Weka简介 | 第35-36页 |
| ·数据预处理 | 第36-41页 |
| ·实验结果及分析 | 第41-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 基于性能云的自适应集成 | 第45-65页 |
| ·学习器集成方法概述 | 第45-48页 |
| ·集成学习系统框架 | 第45-47页 |
| ·常见的学习器集成方法 | 第47-48页 |
| ·投票法 | 第47页 |
| ·最高序号法 | 第47-48页 |
| ·线性组合法 | 第48页 |
| ·云模型理论概述 | 第48-50页 |
| ·云模型基本概念 | 第48-49页 |
| ·云发生器 | 第49-50页 |
| ·逆向云发生器算法 | 第50页 |
| ·基于性能云的自适应集成 | 第50-64页 |
| ·问题描述 | 第50-51页 |
| ·性能云 | 第51-52页 |
| ·设计思想 | 第51-52页 |
| ·实例分析 | 第52页 |
| ·基于性能云的自适应集成学习算法PCAELA | 第52-64页 |
| ·基本思想 | 第53页 |
| ·关键问题及其解决 | 第53-55页 |
| ·算法描述 | 第55-56页 |
| ·实验结果及分析 | 第56-64页 |
| ·本章小结 | 第64-65页 |
| 第六章 总结和展望 | 第65-67页 |
| ·工作总结 | 第65-66页 |
| ·工作展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间发表的学术论文 | 第72页 |
