| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-27页 |
| ·引言 | 第11页 |
| ·集成学习概念、研究和发展现状 | 第11-24页 |
| ·集成学习的概念和定义 | 第11-12页 |
| ·集成学习的框架 | 第12-13页 |
| ·集成学习的理论基础 | 第13-16页 |
| ·集成学习的研究现状 | 第16-24页 |
| ·现有集成学习算法存在的问题 | 第24页 |
| ·矩阵广义逆的概念和定义 | 第24-25页 |
| ·本文的主要工作和结构安排 | 第25-27页 |
| 第二章 基于多任务学习的决策树集成算法 | 第27-39页 |
| ·研究背景 | 第27页 |
| ·相关工作 | 第27-31页 |
| ·决策树学习算法 | 第27-28页 |
| ·决策树集成算法 | 第28-29页 |
| ·多任务学习 | 第29-31页 |
| ·MTForest:基于多任务学习的决策树集成算法 | 第31-33页 |
| ·MTForest算法 | 第31-32页 |
| ·算法分析和讨论 | 第32-33页 |
| ·实验结果和分析 | 第33-38页 |
| ·实验数据和对比算法 | 第33-34页 |
| ·实验结果及分析 | 第34-38页 |
| ·算法的偏差/方差分析 | 第38页 |
| ·本章小结 | 第38-39页 |
| 第三章 基于多任务类别标记的集成算法 | 第39-49页 |
| ·研究背景 | 第39页 |
| ·相关工作 | 第39-41页 |
| ·MACLEN:基于多任务类别标记的集成算法 | 第41-43页 |
| ·MACLEN算法 | 第41-42页 |
| ·算法示例 | 第42-43页 |
| ·算法分析和讨论 | 第43页 |
| ·实验结果和分析 | 第43-48页 |
| ·实验数据和对比算法 | 第43-46页 |
| ·实验结果及分析 | 第46-47页 |
| ·算法的偏差/方差分析 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第四章 完全随机贝叶斯网络分类器集成算法 | 第49-64页 |
| ·研究背景 | 第49-50页 |
| ·相关工作 | 第50-55页 |
| ·贝叶斯网络分类器 | 第50-51页 |
| ·基于Naive Bayes结构扩展的算法 | 第51-55页 |
| ·完全随机贝叶斯网络分类器集成算法 | 第55-57页 |
| ·RBNC算法 | 第55-56页 |
| ·算法分析 | 第56-57页 |
| ·实验结果和分析 | 第57-62页 |
| ·实验数据和对比算法 | 第57-58页 |
| ·参数m和算法的性能关系 | 第58-59页 |
| ·实验结果及分析 | 第59-62页 |
| ·本章小结 | 第62-64页 |
| 第五章 中心化矩阵广义逆在线更新公式及在维数约简中的应用 | 第64-82页 |
| ·研究背景 | 第64-65页 |
| ·矩阵广义逆的定义和性质 | 第65-68页 |
| ·符号说明 | 第65页 |
| ·广义逆矩阵的定义 | 第65-66页 |
| ·广义逆矩阵的重要性质 | 第66-67页 |
| ·矩阵广义逆在线更新公式 | 第67-68页 |
| ·中心化矩阵广义逆在线更新公式 | 第68-73页 |
| ·附加一列 | 第68-70页 |
| ·删除第一列 | 第70-72页 |
| ·插入或删除任意一列 | 第72-73页 |
| ·在维数约简中的应用 | 第73-77页 |
| ·一类维数约简问题 | 第73-75页 |
| ·在线最小二乘线性判别分析 | 第75-77页 |
| ·实验结果和分析 | 第77-81页 |
| ·本章小结 | 第81-82页 |
| 第六章 总结和展望 | 第82-84页 |
| ·全文工作总结 | 第82-83页 |
| ·后续工作展望 | 第83-84页 |
| 参考文献 | 第84-92页 |
| 致谢 | 第92-93页 |
| 攻读博士学位期间发表论文情况和研究成果 | 第93-94页 |