基于支持向量机的集成学习研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-36页 |
| ·支持向量机 | 第12-22页 |
| ·理论基础 | 第12-14页 |
| ·两类分类 | 第14-17页 |
| ·多类分类 | 第17-21页 |
| ·支持向量机的优点 | 第21-22页 |
| ·集成学习 | 第22-31页 |
| ·分类器集成概述 | 第22-24页 |
| ·基分类器的构造方法 | 第24-27页 |
| ·基分类器的组合方法 | 第27-31页 |
| ·支持向量机集成 | 第31-34页 |
| ·必要性与可行性 | 第31页 |
| ·研究进展 | 第31-34页 |
| ·本文主要研究内容 | 第34-36页 |
| 第二章 属性约简集成 | 第36-54页 |
| ·引言 | 第36-37页 |
| ·粗糙集理论 | 第37-42页 |
| ·基本概念 | 第37-39页 |
| ·知识约简 | 第39-41页 |
| ·知识表达系统 | 第41-42页 |
| ·粗糙集的优缺点 | 第42页 |
| ·基于属性约简的集成学习 | 第42-46页 |
| ·属性约简 | 第42-44页 |
| ·约简集成 | 第44-46页 |
| ·实验 | 第46-52页 |
| ·属性约简对SVM 性能的影响 | 第46-48页 |
| ·集成学习 | 第48-52页 |
| ·本章小结 | 第52-54页 |
| 第三章 基于RSBRA 离散化方法的集成学习 | 第54-68页 |
| ·引言 | 第54-55页 |
| ·离散化问题描述 | 第55-57页 |
| ·RSBRA 离散化方法 | 第57-59页 |
| ·最大分辨能力启发式 | 第57-58页 |
| ·高效实现算法 | 第58-59页 |
| ·基于RSBRA 的集成学习 | 第59-62页 |
| ·实现方法 | 第59-60页 |
| ·实验 | 第60-62页 |
| ·改进的RSBRA | 第62-65页 |
| ·基于改进RSBRA 的集成学习 | 第65-67页 |
| ·实现方法 | 第65页 |
| ·实验 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 第四章 直接遗传集成 | 第68-82页 |
| ·引言 | 第68-69页 |
| ·遗传算法 | 第69-72页 |
| ·概要介绍 | 第69-70页 |
| ·基本方法 | 第70-71页 |
| ·遗传算法的优缺点 | 第71-72页 |
| ·直接遗传集成 | 第72-76页 |
| ·实现方法 | 第72-74页 |
| ·实验 | 第74-76页 |
| ·基于DGE 的选择性集成 | 第76-79页 |
| ·实现方法 | 第76-77页 |
| ·实验 | 第77-79页 |
| ·本章小结 | 第79-82页 |
| 第五章 基于证据理论的多类分类支持向量机集成 | 第82-100页 |
| ·引言 | 第82-84页 |
| ·证据理论 | 第84-87页 |
| ·证据的不确定性 | 第84-86页 |
| ·证据组合规则 | 第86页 |
| ·证据理论的优缺点 | 第86-87页 |
| ·基于证据理论的度量层融合 | 第87-93页 |
| ·一对多 | 第87-89页 |
| ·一对一 | 第89-93页 |
| ·实验 | 第93-99页 |
| ·实验方法 | 第93-95页 |
| ·UCI 数据集 | 第95-97页 |
| ·故障诊断 | 第97-99页 |
| ·本章小结 | 第99-100页 |
| 第六章 总结与展望 | 第100-104页 |
| ·全文工作总结 | 第100-102页 |
| ·后续研究工作展望 | 第102-104页 |
| 参考文献 | 第104-122页 |
| 攻读博士学位期间已发表或完成的论文 | 第122-124页 |
| 攻读博士学位期间参与的科研项目 | 第124-125页 |
| 致谢 | 第125页 |
