| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 研究内容和组织结构 | 第13-16页 |
| 1.3.1 本文的研究内容 | 第13页 |
| 1.3.2 本文的组织结构 | 第13-16页 |
| 第2章 混合高斯核函数及性能度量 | 第16-28页 |
| 2.1 混合高斯核函数的提出 | 第16-21页 |
| 2.1.1 混合高斯模型 | 第16-18页 |
| 2.1.2 混合高斯距离 | 第18-20页 |
| 2.1.3 混合高斯核函数 | 第20-21页 |
| 2.2 混合高斯核函数的性能度量 | 第21-23页 |
| 2.2.1 核度量标准 | 第21-22页 |
| 2.2.2 性能度量 | 第22-23页 |
| 2.3 实验与分析 | 第23-27页 |
| 2.3.1 仿真数据集 | 第23-25页 |
| 2.3.2 UCI数据集 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 直推式相关向量机算法研究 | 第28-39页 |
| 3.1 相关向量机模型 | 第28-30页 |
| 3.2 核矩阵扩充 | 第30-34页 |
| 3.2.1 核函数矩阵 | 第30-31页 |
| 3.2.2 核矩阵扩充方法 | 第31-32页 |
| 3.2.3 基于核矩阵扩充的直推式相关向量机 | 第32-34页 |
| 3.3 基于混合高斯核的直推式相关向量机算法 | 第34-35页 |
| 3.3.1 算法提出 | 第34页 |
| 3.3.2 算法定义 | 第34-35页 |
| 3.4 实验与分析 | 第35-38页 |
| 3.4.1 仿真数据集 | 第35-37页 |
| 3.4.2 UCI数据集 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于混合高斯和直推式相关向量机的主动学习算法研究 | 第39-59页 |
| 4.1 基于相关向量机的主动学习算法 | 第39-42页 |
| 4.2 基于混合高斯和直推式相关向量机的主动学习算法 | 第42-47页 |
| 4.2.1 初始样本选择 | 第42-44页 |
| 4.2.2 构建GMM-FRVM分类器 | 第44-45页 |
| 4.2.3 样本筛选策略 | 第45页 |
| 4.2.4 算法定义 | 第45-47页 |
| 4.3 实验与分析 | 第47-54页 |
| 4.3.1 评估标准 | 第47-48页 |
| 4.3.2 仿真数据集 | 第48-51页 |
| 4.3.3 UCI数据集 | 第51-54页 |
| 4.4 GMM-FRVMAL算法在文本分类中的应用 | 第54-57页 |
| 4.4.1 文本分类数据 | 第54-56页 |
| 4.4.2 实验结果与分析 | 第56-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 在读期间取得的学术成果 | 第66页 |
| 在读期间参与的基金和项目 | 第66页 |
