集成分类器模型的研究

摘要	第1-7页
ABSTRACT(英文摘要)	第7-9页
目录	第9-11页
主要符号对照表	第11-12页
第一章 绪论	第12-16页
·模式识别中的大规模难题	第12-13页
·集成学习技术的发展	第13-14页
·本文的研究内容	第14-16页
第二章 统计决策的基本思想	第16-28页
·贝叶斯决策	第16-18页
·基本原理	第16-17页
·最优决策	第17-18页
·分类器输出的概率密度估计	第18-28页
·K最近邻	第18-19页
·人工神经网络	第19-21页
·支持向量机	第21-24页
·朴素贝叶斯	第24-28页
第三章 分类器整合模型	第28-42页
·算法描述	第28-31页
·问题描述	第28页
·任务分解	第28-31页
·结果合成	第31-32页
·M~3的不同分解策略	第32-36页
·随机划分	第33页
·超平面划分	第33-34页
·聚类划分	第34-36页
·合成准则的高级讨论	第36-42页
·多类情况	第36-39页
·Min-Max准则的效率改进	第39-42页
第四章 一种基于概率输出的新集成模型算法	第42-60页
·二类问题分解的概率解释	第42-45页
·结果合成的概率解释	第45-54页
·收缩和膨胀准则的公式推导	第45-46页
·收缩和膨胀准则与M~3的比较	第46-47页
·在收缩和膨胀准则指导下的合成过程	第47-50页
·一种加速准则的公式推导	第50-52页
·加速准则的分析	第52-54页
·实验	第54-60页
·已知样本分布的实验模拟	第54页
·基于SVM概率输出的实验	第54-60页
第五章 总结与展望	第60-62页
·本文的主要贡献	第60-61页
·进一步的研究工作	第61-62页
参考文献	第62-66页
致谢	第66-67页
个人简历、在学期间的研究成果及发表的论文	第67页