吴方法在模式识别问题中的应用研究
| 摘要 | 第1-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 概论 | 第10-18页 |
| ·吴文俊方法简介 | 第10-11页 |
| ·什么是吴文俊方法 | 第10-11页 |
| ·吴文俊方法应用 | 第11页 |
| ·吴文俊方法的发展趋势 | 第11页 |
| ·模式识别问题 | 第11-15页 |
| ·模式识别问题定义和主要步骤 | 第12页 |
| ·现有模式识别方法研究现状 | 第12-14页 |
| ·模式识别发展趋势 | 第14-15页 |
| ·模式识别问题分类方法的模型 | 第15页 |
| ·基于吴文俊方法的模式分类方法 | 第15-18页 |
| ·基于吴方法的模式分类方法的过程 | 第15-16页 |
| ·论文的组织结构 | 第16-17页 |
| ·本论文的主要创新点 | 第17-18页 |
| 第二章 吴文俊方法 | 第18-25页 |
| ·从高斯消元法到吴文俊方法 | 第18-20页 |
| ·高斯消元法 | 第18-19页 |
| ·高次多项式消元 | 第19-20页 |
| ·非线性方程组吴方法求解 | 第20-23页 |
| ·吴方法理论基本概念 | 第20-21页 |
| ·吴方法相关定理 | 第21-22页 |
| ·吴方法求解 | 第22-23页 |
| ·吴方法软件实现 | 第23页 |
| ·基于Mathematica吴方法软件包 | 第23页 |
| ·吴方法软件包MMP | 第23页 |
| ·吴方法应用实例 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 模式识别问题的困难与挑战 | 第25-39页 |
| ·模式识别问题的数学模型 | 第25-26页 |
| ·分类及特征向量 | 第25页 |
| ·线性可分问题和非线性可分问题 | 第25-26页 |
| ·经典的模式识别方法 | 第26-30页 |
| ·统计学习理论 | 第30-34页 |
| ·结构风险最小化和VC维 | 第30-32页 |
| ·最优分类面与支持向量 | 第32-34页 |
| ·核函数方法 | 第34页 |
| ·支持向量机的特点 | 第34-38页 |
| ·支持向量机方法过程的分析 | 第34-35页 |
| ·解向量和权空间 | 第35-37页 |
| ·模式识别发展关键问题 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 吴分类方法 | 第39-53页 |
| ·吴分类方法设计 | 第39-40页 |
| ·吴分类方法的设计原则 | 第39-40页 |
| ·吴分类方法的优点 | 第40页 |
| ·吴分类方法算法 | 第40-44页 |
| ·目标函数形式 | 第40-41页 |
| ·约束函数形式 | 第41页 |
| ·方法实现步骤 | 第41-44页 |
| ·异或问题研究 | 第44-48页 |
| ·对问题进行初始化 | 第44页 |
| ·确定约束条件 | 第44-45页 |
| ·吴方法消元求解 | 第45-46页 |
| ·结果分析 | 第46-48页 |
| ·人工数据集研究 | 第48-52页 |
| ·人工数据集介绍 | 第48页 |
| ·线性可分人工数据集分类研究 | 第48-50页 |
| ·非线性可分人工数据集分类研究 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第五章 吴分类方法的应用研究 | 第53-69页 |
| ·鸢尾花数据集介绍 | 第53页 |
| ·数据筛选的理论及方法 | 第53-64页 |
| ·已有数据筛选方法 | 第53-54页 |
| ·进行数据筛选的理论基础 | 第54-55页 |
| ·基于信息量数据筛选算法 | 第55-61页 |
| ·基于信息量数据筛选应用 | 第61-64页 |
| ·鸢尾花数据集分类研究 | 第64-66页 |
| ·与神经网络比较 | 第66页 |
| ·与支持向量机比较 | 第66-67页 |
| ·本章小结 | 第67-69页 |
| 第六章 全文总结与展望 | 第69-71页 |
| ·全文总结 | 第69-70页 |
| ·后续工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间发表的主要论文 | 第75页 |
