| 第一章 绪论 | 第1-9页 |
| 1．1 研究背景 | 第6页 |
| 1．2 研究现状 | 第6-7页 |
| 1．3 本文的主要工作和论文组织 | 第7-9页 |
| 第二章 分类器设计概述 | 第9-17页 |
| 2．1 模式识别系统 | 第9-10页 |
| 2．2 分类器设计常用技术 | 第10-15页 |
| 2．2．1 基于参考点和聚类的分类器 | 第10-11页 |
| 2．2．2 基于神经网络的分类器 | 第11-12页 |
| 2．2．3 基于概率统计的分类器 | 第12-13页 |
| 2．2．4 基于子空间和PCA 的分类器 | 第13-14页 |
| 2．2．5 基于优化方法的分类器 | 第14页 |
| 2．2．6 基于模糊算法的分类器 | 第14-15页 |
| 2．3 分类器的泛化能力 | 第15-17页 |
| 第三章 学习矢量量化算法介绍及其改进 | 第17-30页 |
| 3．1 LVQ 算法简介 | 第17-21页 |
| 3．1．1 LVQ1 算法介绍 | 第18-19页 |
| 3．1．2 LVQ2 ,LVQ2．1 算法介绍 | 第19-20页 |
| 3．1．3 LVQ3 算法介绍 | 第20-21页 |
| 3．2 LVQ 算法的改进 | 第21-29页 |
| 3．2．1 基于相似类别集合的SLVQ | 第21-24页 |
| 3．2．1．1 SLVQ 算法介绍 | 第21-23页 |
| 3．2．1．2 实验结果与分析 | 第23-24页 |
| 3．2．2 基于模糊优化的FOLVQ | 第24-27页 |
| 3．2．2．1 FOLVQ 算法介绍 | 第24-26页 |
| 3．2．2．2 实验结果与分析 | 第26-27页 |
| 3．2．3 基于相似类别集合和模糊优化的SFLVQ 算法 | 第27-29页 |
| 3．2．3．1 SFLVQ 算法介绍 | 第27-28页 |
| 3．2．3．2 实验结果与分析 | 第28-29页 |
| 3．3 结论和讨论 | 第29-30页 |
| 第四章 支持向量机 | 第30-37页 |
| 4．1 SVM 理论基础 | 第30-31页 |
| 4．2 SVM 基本原理 | 第31-34页 |
| 4．2．1 线性可分 | 第31-33页 |
| 4．2．2 线性不可分 | 第33-34页 |
| 4．3 SVM 与大规模模式识别问题 | 第34-37页 |
| 4．3．1 利用SVM 解决多分类的问题 | 第34-35页 |
| 4．3．2 基于SVM 的二叉决策树方法 | 第35-36页 |
| 4．3．3 实验结果与分析 | 第36-37页 |
| 第五章 多级分类器设计研究 | 第37-47页 |
| 5．1 多级分类器概述 | 第37-41页 |
| 5．1．1 单分类器的类别信息输出 | 第37-38页 |
| 5．1．2 各分类器采用的特征 | 第38-39页 |
| 5．1．3 分类器组合结构 | 第39-41页 |
| 5．1．3．1 类集合减少方法 | 第40-41页 |
| 5．2 基于SFLVQ 和SVM 的三级分类器设计 | 第41-46页 |
| 5．2．1 采用SFLVQ 进行第一级粗类划分 | 第41-43页 |
| 5．2．1．1 实验结果与分析 | 第43页 |
| 5．2．2 第二级:进一步降低问题的规模 | 第43-45页 |
| 5．2．2．1 算法思想 | 第43-44页 |
| 5．2．2．2 实验结果 | 第44-45页 |
| 5．2．3 采用SVM 二分最终的识别结果 | 第45-46页 |
| 5．3 算法小结 | 第46-47页 |
| 结论 | 第47-48页 |
| 参考文献 | 第48-50页 |
| 致谢 | 第50-51页 |
| 个人简历及研究生期间发表的论文情况 | 第51页 |