多核学习方法及其应用与研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 课题的研究背景 | 第7页 |
| 1.2 课题的研究现状 | 第7-9页 |
| 1.3 论文的研究内容 | 第9页 |
| 1.4 论文的组织结构 | 第9-11页 |
| 第二章 多核学习的基本理论 | 第11-18页 |
| 2.1 引言 | 第11页 |
| 2.2 支持向量机的基本概念 | 第11-15页 |
| 2.2.1 线性可分支持向量机 | 第11-13页 |
| 2.2.2 核函数 | 第13-14页 |
| 2.2.3 非线性可分支持向量机 | 第14-15页 |
| 2.3 多核学习的基本概念 | 第15-16页 |
| 2.4 多核学习的基本框架 | 第16-17页 |
| 2.4.1 符号和概念 | 第16页 |
| 2.4.2 MKL框架 | 第16-17页 |
| 2.5 小结 | 第17-18页 |
| 第三章 多核学习方法的综合比较 | 第18-28页 |
| 3.1 引言 | 第18页 |
| 3.2 稀疏多核学习框架 | 第18-22页 |
| 3.2.0 稀疏多核学习的原始问题 | 第18页 |
| 3.2.1 稀疏多核学习方法的对偶问题 | 第18-20页 |
| 3.2.2 稀疏多核学习方法的优化方法 | 第20-22页 |
| 3.2.2.1 半无限规划方法 | 第20页 |
| 3.2.2.2 次梯度下降法 | 第20-21页 |
| 3.2.2.3 扩展水平集方法 | 第21-22页 |
| 3.3 非稀疏多核学习框架 | 第22-24页 |
| 3.3.1 非稀疏多核学习的原始问题 | 第22页 |
| 3.3.2 非稀疏多核学习方法的优化方法 | 第22-24页 |
| 3.3.2.1 分隔平面法 | 第22-23页 |
| 3.3.2.2 分析方法 | 第23-24页 |
| 3.4 实验结果与分析 | 第24-27页 |
| 3.4.1 实验步骤 | 第25页 |
| 3.4.2 实验结果分析 | 第25-27页 |
| 3.5 小结 | 第27-28页 |
| 第四章 通用稀疏多核学习 | 第28-41页 |
| 4.1 引言 | 第28页 |
| 4.2 L1-MKL和Lp-MKL | 第28-29页 |
| 4.2.1 L1-MKL | 第28-29页 |
| 4.2.2 Lp-MKL | 第29页 |
| 4.3 通用稀疏多核学习 | 第29-34页 |
| 4.3.1 通用稀疏多核学习模型 | 第29-30页 |
| 4.3.2 性质分析 | 第30-33页 |
| 4.3.3 GSMKL的训练算法 | 第33-34页 |
| 4.3.4 算法复杂度分析 | 第34页 |
| 4.4 实验结果与分析 | 第34-39页 |
| 4.4.1 实验步骤 | 第35页 |
| 4.4.2 人造数据集实验 | 第35-37页 |
| 4.4.3 UCI数据集实验 | 第37-39页 |
| 4.5 小结 | 第39-41页 |
| 第五章 基于极限学习机的非稀疏多核学习分类方法 | 第41-53页 |
| 5.1 引言 | 第41页 |
| 5.2 基于优化的极限学习机 | 第41-43页 |
| 5.3 非稀疏多核学习方法 | 第43-44页 |
| 5.4 基于极限学习机的非稀疏多核学习分类方法 | 第44-46页 |
| 5.5 实验结果与分析 | 第46-52页 |
| 5.5.1 实验设置和参数 | 第47-48页 |
| 5.5.2 实验结果分析 | 第48-52页 |
| 5.6 小结 | 第52-53页 |
| 第六章 结论与展望 | 第53-55页 |
| 6.1 论文小结 | 第53页 |
| 6.2 论文的主要创新点 | 第53-54页 |
| 6.3 论文存在的问题以及未来工作的展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录： 作者在攻读硕士学位期间发表的论文 | 第60页 |
