基于梯度提升模型的负相关学习算法的研究与应用
| ABSTRACT | 第1-8页 |
| 摘要 | 第8-10页 |
| 目录 | 第10-13页 |
| 表格 | 第13-14页 |
| 插图 | 第14-15页 |
| 算法 | 第15-16页 |
| 主要符号对照表 | 第16-17页 |
| 第一章 绪论 | 第17-31页 |
| ·监督学习概述 | 第18-21页 |
| ·监督学习的定义 | 第18-19页 |
| ·风险最小化原则 | 第19-20页 |
| ·结构风险最小化原则 | 第20-21页 |
| ·集成学习与负相关学习研究 | 第21-25页 |
| ·集成学习的研究现状 | 第21-22页 |
| ·集成学习的优点与应用 | 第22-23页 |
| ·多样性与负相关学习 | 第23-25页 |
| ·本论文的研究内容与创新 | 第25-28页 |
| ·一种新的负相关学习算法 | 第25-26页 |
| ·高光谱遥感图像分类算法研究 | 第26-28页 |
| ·本论文的组织结构 | 第28-29页 |
| ·本章小结 | 第29-31页 |
| 第二章 研究背景与相关工作 | 第31-43页 |
| ·常用的集成学习算法 | 第31-36页 |
| ·装袋算法 | 第31-32页 |
| ·提升算法 | 第32-36页 |
| ·随机森林 | 第36页 |
| ·集成学习的组合方法 | 第36-39页 |
| ·平均法 | 第37-38页 |
| ·投票法 | 第38-39页 |
| ·集成学习的理论分析方法 | 第39-40页 |
| ·偏差-方差分解 | 第39-40页 |
| ·偏差-方差-协方差分解 | 第40页 |
| ·基于神经网络的负相关学习算法 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第三章 一种新的负相关学习算法 | 第43-57页 |
| ·问题描述 | 第43-45页 |
| ·研究思路 | 第45-47页 |
| ·算法设计 | 第47-51页 |
| ·实验设计与分析 | 第51-56页 |
| ·数据集 | 第52页 |
| ·对比算法 | 第52-53页 |
| ·交叉验证与实验配置 | 第53-54页 |
| ·实验方法与结果分析 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第四章 高光谱遥感图像分类研究 | 第57-79页 |
| ·高光谱遥感及图像分类 | 第57-58页 |
| ·相关工作 | 第58-63页 |
| ·遥感图像分类的主动学习算法 | 第59-61页 |
| ·遥感图像分类的半监督学习算法 | 第61-62页 |
| ·主动学习与半监督学习的结合算法 | 第62-63页 |
| ·研究思路 | 第63-65页 |
| ·算法设计 | 第65-69页 |
| ·启发式查询规则 | 第65-66页 |
| ·伪标记与伪标记验证机制 | 第66-68页 |
| ·算法实现的详细步骤 | 第68-69页 |
| ·实验设计与分析 | 第69-76页 |
| ·遥感数据集 | 第70-71页 |
| ·对比算法 | 第71页 |
| ·实验配置 | 第71-73页 |
| ·实验结果与分析 | 第73-76页 |
| ·本章小结 | 第76-79页 |
| 第五章 总结与展望 | 第79-83页 |
| ·工作总结 | 第79-81页 |
| ·未来展望 | 第81-83页 |
| 参考文献 | 第83-91页 |
| 致谢 | 第91-93页 |
| 在读期间发表的学术论文与取得的研究成果 | 第93页 |
