| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-19页 |
| ·研究背景及研究意义 | 第8-9页 |
| ·研究背景 | 第8页 |
| ·研究意义 | 第8-9页 |
| ·模式识别 | 第9-11页 |
| ·统计模式识别的主要组成部分 | 第10-11页 |
| ·统计模式识别问题的主要研究方法 | 第11页 |
| ·国内外研究现状 | 第11-16页 |
| ·贝叶斯决策方法 | 第11-12页 |
| ·分类器集成学习 | 第12页 |
| ·基于支持向量机的模式识别 | 第12-16页 |
| ·研究内容及研究思路 | 第16-17页 |
| ·论文的主要研究工作 | 第17-19页 |
| 2 相关的基础理论 | 第19-29页 |
| ·支持向量机概述 | 第19-20页 |
| ·支持向量机基本理论 | 第20-26页 |
| ·基本概念 | 第20-23页 |
| ·基本原理 | 第23页 |
| ·基本分类理论 | 第23-26页 |
| ·基于支持向量机的多类模式识别模型 | 第26-28页 |
| ·“一对多”多分类算法 | 第26-27页 |
| ·“一对一”多分类算法 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 3 基于SVM 的多类模式识别模型 | 第29-45页 |
| ·引言 | 第29页 |
| ·基于“一对一”的二叉树多类模式识别模型 | 第29-31页 |
| ·多类模式识别模型的数学描述 | 第29-30页 |
| ·模型介绍 | 第30页 |
| ·模型分析 | 第30-31页 |
| ·基于多重判别分析的SVM 多类模式识别模型 | 第31-37页 |
| ·问题的数学描述 | 第31页 |
| ·基本原理 | 第31-32页 |
| ·模型建立 | 第32-35页 |
| ·模型的算法及计算流程 | 第35-36页 |
| ·模型验证 | 第36-37页 |
| ·结论 | 第37页 |
| ·动态多分类模式识别模型 | 第37-44页 |
| ·问题的数学描述 | 第38页 |
| ·基本原理 | 第38-39页 |
| ·动态多分类模式识别模型 | 第39-41页 |
| ·计算流程图 | 第41-42页 |
| ·模型验证 | 第42-43页 |
| ·结论 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 4 基于后验概率SVM 的不确定性多类模式识别模型 | 第45-55页 |
| ·引言 | 第45-46页 |
| ·后验概率支持向量机 | 第46-49页 |
| ·不确定性模式识别问题 | 第46-47页 |
| ·最优超平面 | 第47-48页 |
| ·广义最优超平面 | 第48页 |
| ·后验概率支持向量机 | 第48-49页 |
| ·基于后验概率支持向量机的不确定性多类模式识别 | 第49-51页 |
| ·多类模式识别问题的数学描述 | 第49页 |
| ·基于“后验概率矩阵”的多类模式识别模型 | 第49-51页 |
| ·确定样本点后验概率的经验性方法 | 第51-52页 |
| ·模型验证 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 5 分类模型的集成系统研究 | 第55-64页 |
| ·分类模型输出信息 | 第55-56页 |
| ·分类模型集成类型 | 第56-58页 |
| ·级联分类模型 | 第56-57页 |
| ·并联分类模型 | 第57-58页 |
| ·基于投票规则的集成 | 第58-59页 |
| ·基于投票规则的集成建模 | 第58-59页 |
| ·对投票规则的分析 | 第59页 |
| ·基于贝叶斯理论的集成 | 第59-62页 |
| ·混淆矩阵、先验知识和置信度 | 第59-60页 |
| ·基于贝叶斯理论的集成建模 | 第60-62页 |
| ·对基于贝叶斯理论的集成分析 | 第62页 |
| ·对分类模型集成的进一步讨论 | 第62-64页 |
| 6 结论与展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 附录 | 第72页 |