基于支持向量机的多示例学习研究与应用
| 作者简介 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-12页 |
| 第一章 绪论 | 第12-16页 |
| §1.1 研究背景 | 第12-14页 |
| §1.2 选题依据及研究意义 | 第14页 |
| §1.3 论文的研究内容 | 第14-15页 |
| §1.4 论文的结构 | 第15-16页 |
| 第二章 多示例学习和支持向量机相关研究 | 第16-29页 |
| §2.1 多示例学习理论与算法研究 | 第16-22页 |
| ·多示例学习问题 | 第16-18页 |
| ·多示例学习与传统学习框架的区别 | 第18-20页 |
| ·多示例学习的分类算法 | 第20-22页 |
| §2.2 支持向量机理论与算法研究 | 第22-29页 |
| ·支持向量机理论 | 第22-27页 |
| ·支持向量机的研究进展 | 第27-29页 |
| 第三章 应用分析 | 第29-35页 |
| §3.1 制药业中的应用 | 第29页 |
| §3.2 基于内容的图象检索 | 第29-30页 |
| §3.3 目标识别 | 第30-31页 |
| §3.4 TrX蛋白质识别 | 第31页 |
| §3.5 医疗图象辅助识别 | 第31-32页 |
| §3.6 文本分类 | 第32页 |
| §3.7 股票选择 | 第32-33页 |
| §3.8 气溶胶光学厚度的测量 | 第33-34页 |
| §3.9 本文研究应用问题 | 第34-35页 |
| 第四章 基于支持向量机的多示例学习 | 第35-48页 |
| §4.1 研究现状 | 第35-36页 |
| §4.2 基于支持向量机的多示例学习方法 | 第36-40页 |
| ·mi-SVM和MI-SVM | 第36-38页 |
| ·DD-SVM和MILES | 第38-40页 |
| §4.3 三种基于SVM的多示例学习方法 | 第40-47页 |
| ·WEMISVM | 第40-43页 |
| ·BEMISVM | 第43-45页 |
| ·SEMISVM | 第45-47页 |
| §4.4 本章小结 | 第47-48页 |
| 第五章 实验设计与分析 | 第48-73页 |
| §5.1 实验数据集 | 第48-50页 |
| §5.2 实验设计 | 第50-55页 |
| ·实验环境与程序结构 | 第50-52页 |
| ·评价体系 | 第52-53页 |
| ·算法比较 | 第53-55页 |
| §5.3 实验结果与分析 | 第55-72页 |
| ·MI标准分类器运行结果 | 第55-57页 |
| ·WEMISVM运行结果 | 第57-59页 |
| ·BEMISVM运行结果 | 第59-60页 |
| ·SEMISVM运行结果 | 第60-62页 |
| ·结果比较与分析 | 第62-72页 |
| §5.4 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-76页 |
| §6.1 本文总结 | 第73页 |
| §6.2 存在的问题及今后的研究思路 | 第73-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-81页 |
