数据复杂度的增量学习方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| Contents | 第10-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 课题研究现状 | 第13-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-18页 |
| 第二章 数据复杂度和增量学习理论 | 第18-33页 |
| 2.1 引言 | 第18-21页 |
| 2.2 数据几何复杂度 | 第21-26页 |
| 2.2.1 数据几何复杂度指标 | 第21-26页 |
| 2.2.2 数据几何复杂度指标的应用 | 第26页 |
| 2.3 增量学习方法概述 | 第26-32页 |
| 2.3.1 现存的学习方法和增量学习 | 第27-28页 |
| 2.3.2 聚类和增量学习 | 第28-30页 |
| 2.3.3 有监督和半监督增量学习 | 第30页 |
| 2.3.4 当前情况 | 第30-31页 |
| 2.3.5 讨论和结论 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 实验数据集的设计 | 第33-38页 |
| 3.1 引言 | 第33页 |
| 3.2 人工数据的生成 | 第33-37页 |
| 3.2.1 实验数据预处理 | 第34-37页 |
| 3.3 真实数据的选择 | 第37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于充分统计量的数据复杂度增量学习方法 | 第38-45页 |
| 4.1 引言 | 第38-39页 |
| 4.2 具有增量学习功能的F1和F2 | 第39-41页 |
| 4.3 具有增量学习功能的N2和T2 | 第41页 |
| 4.4 实验结果与分析 | 第41-44页 |
| 4.4.1 实验环境 | 第41-43页 |
| 4.4.2 结果分析与比较 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 基于经典分类算法的数据复杂度增量学习方法 | 第45-62页 |
| 5.1 引言 | 第45页 |
| 5.2 基于KNN分类器的增量学习算法 | 第45-53页 |
| 5.2.1 KNN分类算法概述 | 第45-47页 |
| 5.2.2 现有的KNN增量学习算法 | 第47-49页 |
| 5.2.3 一种改进的1-NN增量学习算法 | 第49-50页 |
| 5.2.4 实验结果及算法分析 | 第50-53页 |
| 5.3 基于线性分类器的增量学习算法 | 第53-61页 |
| 5.3.1 线性分类器常用算法 | 第54-59页 |
| 5.3.2 一种线性分类器的增量学习算法 | 第59-60页 |
| 5.3.3 实验结果及算法分析 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 攻读学位期间发表论文 | 第69-71页 |
| 致谢 | 第71页 |
