| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第12-15页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 本文主要工作和结构 | 第14-15页 |
| 2 集成学习和随机森林 | 第15-23页 |
| 2.1 引言 | 第15页 |
| 2.2 集成学习 | 第15-17页 |
| 2.2.1 Boosting和Bagging | 第16-17页 |
| 2.3 随机森林 | 第17-22页 |
| 2.3.1 决策树 -随机森林的基分类器 | 第17-18页 |
| 2.3.2 ID3算法 | 第18-19页 |
| 2.3.3 C4.5 算法 | 第19页 |
| 2.3.4 CART算法 | 第19页 |
| 2.3.5 随机森林的构建 | 第19-21页 |
| 2.3.6 随机森林的收敛性分析 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 基于局部显著性判别和加权投票的旋转森林算法 | 第23-33页 |
| 3.1 引言 | 第23页 |
| 3.2 基于局部显著性判别和加权投票的旋转森林算法 | 第23-26页 |
| 3.2.1 算法分析 | 第23-26页 |
| 3.3 实验结果与分析 | 第26-32页 |
| 3.3.1 基于UCI数据集的算法性能分析 | 第26-29页 |
| 3.3.2 算法的统计分析比较 | 第29-31页 |
| 3.3.3 人脸识别应用 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 4 基于多核支持向量机的随机森林算法 | 第33-41页 |
| 4.1 引言 | 第33页 |
| 4.2 基于多核支持向量机的随机森林算法 | 第33-36页 |
| 4.2.1 支持向量机 | 第33-35页 |
| 4.2.2 多核支持向量机 | 第35页 |
| 4.2.3 SimpleMKL算法流程 | 第35-36页 |
| 4.2.4 多核支持向量机随机森林 | 第36页 |
| 4.3 实验结果与分析 | 第36-40页 |
| 4.4 本章小结 | 第40-41页 |
| 5 基于综合特征和随机森林的白细胞分类算法 | 第41-49页 |
| 5.1 引言 | 第41-42页 |
| 5.2 特征提取和分类 | 第42-46页 |
| 5.2.1 特征提取 | 第42-46页 |
| 5.2.2 随机森林分类 | 第46页 |
| 5.3 实验结果与分析 | 第46-48页 |
| 5.4 本章小结 | 第48-49页 |
| 6 结论与展望 | 第49-51页 |
| 6.1 研究总结 | 第49页 |
| 6.2 进一步需要开展的工作 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 作者简历 | 第55页 |