基于机器学习算法在数据分类中的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 支持向量机研究现状 | 第12-13页 |
| 1.2.2 卷积神经网络研究现状 | 第13-15页 |
| 1.3 本文的主要工作与创新点 | 第15-16页 |
| 1.4 本文的结构安排 | 第16-18页 |
| 2 主成分分析和支持向量机的原理和方法 | 第18-26页 |
| 2.1 主成分分析 | 第18-22页 |
| 2.1.1 主成分分析简介 | 第18-19页 |
| 2.1.2 主成分分析模型 | 第19-20页 |
| 2.1.3 主成分分析基本步骤 | 第20-22页 |
| 2.2 支持向量机 | 第22-25页 |
| 2.2.1 支持向量机介绍 | 第22-23页 |
| 2.2.2 支持向量机模型 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 粒子群算法与遗传算法 | 第26-29页 |
| 3.1 粒子群算法 | 第26-28页 |
| 3.1.1 粒子群算法介绍 | 第26页 |
| 3.1.2 粒子群算法模型 | 第26-27页 |
| 3.1.3 粒子群算法流程 | 第27-28页 |
| 3.2 粒子群算法优化支持向量机 | 第28页 |
| 3.3 本章小结 | 第28-29页 |
| 4 PSO-SVM模型在树叶分类中的应用 | 第29-37页 |
| 4.1 实验阐述 | 第29页 |
| 4.2 树叶数据介绍 | 第29-31页 |
| 4.3 属性描述 | 第31-32页 |
| 4.4 实验流程 | 第32-33页 |
| 4.5 实验结果分析 | 第33-36页 |
| 4.5.1 主成分分析结果 | 第33-35页 |
| 4.5.2 PSO-SVM实验结果 | 第35-36页 |
| 4.6 本章小结 | 第36-37页 |
| 5 PSO-SVM模型在癌症基因表达分类中的研究 | 第37-41页 |
| 5.1 实验数据简述 | 第37页 |
| 5.2 模型设计 | 第37-39页 |
| 5.3 三种分类结果的分析比较 | 第39-40页 |
| 5.4 本章小结 | 第40-41页 |
| 6 卷积神经网络在图像分类处理中的研究 | 第41-49页 |
| 6.1 卷积神经网络简述 | 第41页 |
| 6.2 卷积神经网络的特点与结构 | 第41-45页 |
| 6.2.1 卷积神经网络的特点 | 第42页 |
| 6.2.2 卷积神经网络的结构 | 第42-44页 |
| 6.2.2.1 神经元结构 | 第42-43页 |
| 6.2.2.2 卷积层 | 第43-44页 |
| 6.2.2.3 池化层 | 第44页 |
| 6.2.3 权值修正 | 第44-45页 |
| 6.3 卷积神经网络在图像分类上的应用 | 第45-48页 |
| 6.3.1 数据库描述 | 第46页 |
| 6.3.2 卷积神经网络结构以及参数设置 | 第46-47页 |
| 6.3.3 实验结果及分析 | 第47-48页 |
| 6.4 本章小结 | 第48-49页 |
| 7 总结与展望 | 第49-51页 |
| 7.1 本文研究的主要内容 | 第49页 |
| 7.2 本文的不足与展望 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 攻读硕士学位期间发表的学术论文目录 | 第56页 |
| 参与研究项目 | 第56-57页 |
| 致谢 | 第57-58页 |
