| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 模式识别 | 第8页 |
| 1.2 Boosting 的发展概述 | 第8-13页 |
| 1.3 模式识别中的噪音应对方法综述 | 第13-14页 |
| 1.4 论文的研究意义 | 第14页 |
| 1.5 论文研究的主要内容 | 第14-16页 |
| 2 Boosting 模式识别预测方法 | 第16-28页 |
| 2.1 AdaBoost 算法 | 第17-21页 |
| 2.1.1 AdaBoost 算法步骤 | 第17页 |
| 2.1.2 AdaBoost 算法的解释 | 第17-19页 |
| 2.1.3 基分类器的选择 | 第19页 |
| 2.1.4 自适应能力 | 第19-20页 |
| 2.1.5 训练误差分析 | 第20-21页 |
| 2.2 AdaBoost 算法对噪音敏感的原因 | 第21-22页 |
| 2.3 AdaBoost 算法鲁棒性研究成果 | 第22-25页 |
| 2.4 LogitBoost 算法的一种近似形式 | 第25-28页 |
| 3 常见类别噪音的探测和处理方法 | 第28-30页 |
| 4 基于样本置信度的抗噪性 Boosting 学习算法 | 第30-61页 |
| 4.1 置信度思想在模式识别中的运用 | 第30-32页 |
| 4.2 基于样本置信度的抗噪性 AdaBoost 算法 | 第32-43页 |
| 4.2.1 数据集的初步过滤 | 第32-34页 |
| 4.2.2 样本置信度的计算 | 第34-36页 |
| 4.2.3 损失函数新形式 | 第36-39页 |
| 4.2.4 改进算法的推导 | 第39-42页 |
| 4.2.5 改进算法的步骤 | 第42-43页 |
| 4.3 改进算法的鲁棒性分析 | 第43-48页 |
| 4.4 改进算法与常见改进的比较 | 第48-49页 |
| 4.5 基于样本置信度的抗噪性 LogitBoost2 算法 | 第49-52页 |
| 4.6 数据模拟实验 | 第52-61页 |
| 4.6.1 样本置信度准则的优良性评估 | 第53-54页 |
| 4.6.2 噪音处理方法的比较分析 | 第54-59页 |
| 4.6.3 样本权重更新的变化 | 第59-61页 |
| 5 改进提升算法在 UCI 数据中的实证分析 | 第61-64页 |
| 6 结束语 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
