基于随机森林的视觉数据分类关键技术研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-22页 |
| 1.1 研究背景及研究内容 | 第11-12页 |
| 1.2 研究意义 | 第12-15页 |
| 1.2.1 理论意义 | 第13-14页 |
| 1.2.2 实践意义 | 第14-15页 |
| 1.3 集成学习概述 | 第15-17页 |
| 1.4 视觉数据分类概述 | 第17-19页 |
| 1.5 本文的主要工作 | 第19-20页 |
| 1.6 本文的结构安排 | 第20-22页 |
| 第二章 先备知识 | 第22-39页 |
| 2.1 随机森林概述 | 第22-29页 |
| 2.2 视觉数据描述方法 | 第29-38页 |
| 2.3 本章小结 | 第38-39页 |
| 第三章 基于移动块搜索的特征选择随机森林方法 | 第39-61页 |
| 3.1 引言 | 第39-40页 |
| 3.2 相关工作 | 第40-42页 |
| 3.3 所提出方法 | 第42-47页 |
| 3.4 实验与分析 | 第47-60页 |
| 3.4.1 实验数据集 | 第47-52页 |
| 3.4.2 实验配置 | 第52页 |
| 3.4.3 实验结果 | 第52-60页 |
| 3.5 本章小结 | 第60-61页 |
| 第四章 混合高斯实例驱动的测度学习随机森林方法 | 第61-83页 |
| 4.1 引言 | 第61-62页 |
| 4.2 相关工作 | 第62-64页 |
| 4.3 所提出方法 | 第64-67页 |
| 4.3.1 混合高斯模型与测度 | 第64-66页 |
| 4.3.2 测度森林学习模型 | 第66-67页 |
| 4.4 实验与分析 | 第67-81页 |
| 4.4.1 实验数据集 | 第67-71页 |
| 4.4.2 实验配置 | 第71-72页 |
| 4.4.3 实验结果 | 第72-81页 |
| 4.5 本章小结 | 第81-83页 |
| 第五章 随机深度决策森林提升模型 | 第83-97页 |
| 5.1 引言 | 第83-84页 |
| 5.2 相关工作 | 第84-86页 |
| 5.3 所提出方法 | 第86-91页 |
| 5.3.1 提升方法 | 第87-88页 |
| 5.3.2 随机深度决策森林 | 第88-91页 |
| 5.4 实验与分析 | 第91-96页 |
| 5.4.1 实验数据集 | 第91-92页 |
| 5.4.2 实验配置 | 第92-93页 |
| 5.4.3 实验结果 | 第93-96页 |
| 5.5 本章小结 | 第96-97页 |
| 结论与展望 | 第97-100页 |
| 工作总结 | 第97-99页 |
| 未来工作 | 第99-100页 |
| 参考文献 | 第100-110页 |
| 攻读博士学位期间取得的研究成果 | 第110-111页 |
| 致谢 | 第111页 |
