| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-8页 |
| 第一章 绪论 | 第8-14页 |
| ·智能算法概述 | 第8-9页 |
| ·支持向量机研究现状 | 第8-9页 |
| ·模糊 C 均值聚类研究现状 | 第9页 |
| ·主动学习概述 | 第9-10页 |
| ·本文的研究意义 | 第10-11页 |
| ·论文研究的主要内容以及结构安排 | 第11-14页 |
| 第二章 支持向量机与主动学习算法介绍 | 第14-26页 |
| ·统计学习理论 | 第14-16页 |
| ·函数集的 VC 维 | 第14-15页 |
| ·推广误差的界 | 第15页 |
| ·结构风险最小化(Structural Risk Minimization, SRM) | 第15-16页 |
| ·支持向量机的算法原理 | 第16-22页 |
| ·最优超平面 | 第17页 |
| ·线性可分支持向量机 | 第17-19页 |
| ·线性不可分情况的处理 | 第19-20页 |
| ·非线性支持向量机 | 第20-21页 |
| ·SVM 分类器参数选择 | 第21-22页 |
| ·主动学习算法 | 第22-24页 |
| ·算法原理 | 第22-23页 |
| ·主动学习采样策略 | 第23-24页 |
| ·主动学习支持向量机(ASVM)的简单算法步骤 | 第24页 |
| ·本章小结 | 第24-26页 |
| 第三章 非平衡二叉树主动学习支持向量机(NBT-ASVM) | 第26-42页 |
| ·多类分类支持向量机 | 第26-30页 |
| ·一对多方法 | 第27页 |
| ·一对一方法 | 第27-29页 |
| ·有向无环图(Decision Directed Acyclic Graph, DDAG)方法 | 第29页 |
| ·二叉树方法 | 第29-30页 |
| ·非平衡二叉树主动学习支持向量机(NBT-ASVM) | 第30-32页 |
| ·确定二叉树结构 | 第30-31页 |
| ·构造非平衡二叉树 | 第31-32页 |
| ·非平衡二叉树主动学习支持向量机的算法思想 | 第32页 |
| ·确定主动学习采样策略 | 第32页 |
| ·实验步骤 | 第32页 |
| ·实验结果分析 | 第32-41页 |
| ·Iris 数据实验结果与分析 | 第33-34页 |
| ·Wine 数据实验结果与分析 | 第34-37页 |
| ·Satimage 数据实验结果与分析 | 第37-38页 |
| ·遥感数据实验结果与分析 | 第38-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 基于模糊 C 均值聚类的非平衡二叉树主动支持向量机 | 第42-56页 |
| ·模糊 C 均值聚类算法 | 第42-43页 |
| ·模糊聚类 | 第42页 |
| ·模糊 C 均值聚类算法 | 第42-43页 |
| ·利用模糊 C 均值聚类算法构造二叉树 | 第43-44页 |
| ·模糊 C 均值聚类非平衡二叉树主动学习支持向量机 | 第44-45页 |
| ·本章算法的算法思想 | 第44页 |
| ·本章算法的实验步骤 | 第44-45页 |
| ·实验结果分析 | 第45-54页 |
| ·Iris 数据集的实验结果与分析 | 第45-47页 |
| ·Wine 数据集的实验结果与分析 | 第47-49页 |
| ·Satimage 数据集的实验结果与分析 | 第49-51页 |
| ·遥感数据集的实验结果与分析 | 第51-54页 |
| ·本章小结 | 第54-56页 |
| 主要结论与展望 | 第56-57页 |
| 主要结论 | 第56页 |
| 展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第61页 |
