| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 引言 | 第15-16页 |
| 1.2 集成学习的研究现状 | 第16-17页 |
| 1.3 标签噪声的研究意义及研究现状 | 第17-18页 |
| 1.4 论文研究内容与结构安排 | 第18-21页 |
| 第二章 集成学习和标签噪声 | 第21-29页 |
| 2.1 集成学习的算法思想 | 第21-22页 |
| 2.2 集成学习主要算法综述 | 第22-26页 |
| 2.2.1 Bagging算法概述 | 第22-23页 |
| 2.2.2 随机森林算法概述 | 第23-24页 |
| 2.2.3 Boosting算法概述 | 第24-26页 |
| 2.3 集成学习在标签噪声中的应用 | 第26-28页 |
| 2.3.1 标签去噪算法 | 第26-27页 |
| 2.3.2 AdaBoost算法在标签噪声中的应用 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于Condensed Nearest Neighbors和集成的标签噪声鲁棒算法 | 第29-45页 |
| 3.1 集成算法Bagging的标签噪声鲁棒性 | 第29-30页 |
| 3.2 CNN算法及其标签噪声敏感性 | 第30-32页 |
| 3.3 基于CNN和集成的标签噪声鲁棒算法 | 第32-34页 |
| 3.4 实验结果及分析 | 第34-43页 |
| 3.4.1 实验测试数据 | 第34-35页 |
| 3.4.2 实验参数设置 | 第35页 |
| 3.4.3 训练子集鲁棒性实验结果及分析 | 第35-38页 |
| 3.4.4 训练子集多样性分析实验结果及分析 | 第38-39页 |
| 3.4.5 集成次数分析实验结果及分析 | 第39-40页 |
| 3.4.6 标签噪声环境下分类性能实验结果及分析 | 第40-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 基于随机森林和数据集分块的集成投票去噪算法 | 第45-61页 |
| 4.1 集成投票去噪算法 | 第45-47页 |
| 4.2 基于随机森林的集成投票去噪算法 | 第47-50页 |
| 4.3 基于随机森林和数据集分块的集成投票去噪算法 | 第50-52页 |
| 4.4 实验结果及分析 | 第52-60页 |
| 4.4.2 实验测试数据 | 第53页 |
| 4.4.3 实验参数设置 | 第53页 |
| 4.4.4 噪声样本集中的真实噪声样本数目统计实验 | 第53-56页 |
| 4.4.5 噪声样本集中的非噪声样本数目统计实验 | 第56-59页 |
| 4.4.6 去噪后训练集分类性能实验 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 基于Majority Voting的改进Adaboost算法 | 第61-71页 |
| 5.1 Adaboost的标签噪声敏感性 | 第61-62页 |
| 5.2 基于Majority Voting的改进Adaboost算法 | 第62-65页 |
| 5.3 实验结果及分析 | 第65-69页 |
| 5.3.1 实验测试数据 | 第66页 |
| 5.3.2 实验参数设置 | 第66页 |
| 5.3.3 实验结果及分析 | 第66-69页 |
| 5.4 本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-80页 |
