首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

模式识别核方法的理论研究及其应用

摘要第3-5页
ABSTRACT第5-6页
第一章 绪论第9-15页
    1.1 模式识别核方法的研究背景及意义第9-10页
    1.2 核方法的研究现状第10-13页
    1.3 论文的主要内容第13-15页
第二章 模式识别核方法第15-37页
    2.1 再生核函数第15-22页
        2.1.1 再生核理论第15-17页
        2.1.2 再生核的定义及举例第17-19页
        2.1.3 再生核的基本性质第19-20页
        2.1.4 再生核的定理第20-22页
    2.2 向量核函数第22-31页
        2.2.1 向量核的定义第22-23页
        2.2.2 Sobolev希尔伯特空间上的核函数第23-25页
        2.2.3 基于再生核的组合核函数第25-28页
        2.2.4 仿真结果与分析第28-31页
    2.3 图核第31-36页
        2.3.1 基于游走的图核第32-33页
        2.3.2 基于路径的图核第33-34页
        2.3.3 基于子树结构的图核第34-35页
        2.3.4 基于子图结构的图核第35页
        2.3.5 其它基于R-卷积的图核函数第35-36页
    2.4 本章小结第36-37页
第三章 基于H~2-空间上再生核的多核学习第37-48页
    3.1 多核的概念第37-38页
    3.2 H~2(R)空间上的向量核函数第38-43页
        3.2.1 H~2(R)上的再生核第38-41页
        3.2.2 具有再生性质的Mercer核第41-43页
    3.3 H~2(R)空间上的多核学习第43-44页
    3.4 实验结果与分析第44-46页
    3.5 本章小结第46-48页
第四章 具有再生性的多属性卷积核方法第48-62页
    4.1 相关工作第48-49页
    4.2 H~3(R)空间上的核函数第49-55页
        4.2.1 核函数第49-50页
        4.2.2 H~3(R)空间上的再生核第50-52页
        4.2.3 H~3(R)空间上卷积核第52-55页
    4.3 实验结果与分析第55-60页
        4.3.1 实验数据第55-56页
        4.3.2 参数选择第56-57页
        4.3.3 分类结果第57-59页
        4.3.4 验证第59-60页
    4.4 本章小结第60-62页
第五章 混合WEISFEILER-LEHMAN图核第62-80页
    5.1 WL图核的基本知识第62-66页
        5.1.1 WL图核框架第63-64页
        5.1.2 WL子树核第64-65页
        5.1.3 WL边核第65-66页
        5.1.4 WL最短路径核第66页
    5.2 WL组合图核第66-68页
        5.2.1 加权混合图核第67页
        5.2.2 精度比混合图核第67-68页
        5.2.3 乘积混合图核第68页
    5.3 实验结果与分析第68-79页
        5.3.1 数据集第68-69页
        5.3.2 实验设置第69-70页
        5.3.3 加权组合图核第70-75页
        5.3.4 精度比权重组合图核第75-76页
        5.3.5 乘积组合图核第76-78页
        5.3.6 三种组合图核的比较第78-79页
    5.4 本章小结第79-80页
第六章 基于冯诺依曼熵的再生性图核第80-90页
    6.1 图的顶点度的分布第80-81页
    6.2 逼近的图的冯诺依曼熵第81-82页
    6.3 基于逼近的冯诺依曼信息熵的再生图核第82-83页
    6.4 实验分析第83-89页
        6.4.1 图数据集第83-85页
        6.4.2 图核矩阵第85-86页
        6.4.3 分类精度第86-88页
        6.4.4 时间复杂度第88-89页
    6.5 本章小结第89-90页
第七章 总结与展望第90-92页
参考文献第92-105页
致谢第105-107页
攻读学位期间发表的学术论文第107页

论文共107页,点击 下载论文
上一篇:基于学习型案例推理的TE过程故障诊断方法研究
下一篇:基于轨迹匹配的模仿学习在类人机器人运动行为中的研究