| 摘要 | 第1-6页 |
| ABSTRACT | 第6-13页 |
| 第一章 绪论 | 第13-17页 |
| ·课题来源及意义 | 第13页 |
| ·课题研究的主要内容 | 第13-14页 |
| ·本文应用的主要技术 | 第14页 |
| ·本文的章节结构 | 第14-17页 |
| 第二章 神经网络及神经网络集成 | 第17-29页 |
| ·神经网络的发展 | 第17页 |
| ·BP网络 | 第17-21页 |
| ·神经网络集成 | 第21-25页 |
| ·神经网络集成原理 | 第21-23页 |
| ·神经网络集成主要研究方向 | 第23-25页 |
| ·神经网络集成的机理研究 | 第23-24页 |
| ·神经网络集成中个体生成方式的研究 | 第24-25页 |
| ·结论生成方式的研究 | 第25页 |
| ·选择性神经网络集成 | 第25-29页 |
| ·个体网络的生成策略 | 第25-26页 |
| ·选择性神经网络集成 | 第26页 |
| ·结论生成方式 | 第26-29页 |
| 第三章 基于输出误差曲线差异度计算的神经网络集成 | 第29-47页 |
| ·基于输出误差曲线的差异度计算--OECSEN(Output Error Curve BasedSelective Ensemble) | 第29-30页 |
| ·差异度的度量方法 | 第30-32页 |
| ·距离差异度测量 | 第31页 |
| ·差异函数差异度测量 | 第31-32页 |
| ·基于余弦相似度的差异度计算公式 | 第32-33页 |
| ·基于扩展Jaccard相似度的差异度计算公式 | 第33-34页 |
| ·UCI标准数据测试 | 第34-39页 |
| ·数据选取及网络生成 | 第35页 |
| ·bagging算法 | 第35-36页 |
| ·算法具体步骤 | 第36-39页 |
| ·实际试验结果 | 第39-45页 |
| ·余弦差异度算法试验结果 | 第39-42页 |
| ·扩展Jaccard算法试验结果 | 第42-45页 |
| ·本章小结 | 第45-47页 |
| 第四章 利用聚类算法改进后的差异度计算 | 第47-55页 |
| ·聚类算法改进差异度计算—IOECSEN(Improved Output Error Curve basedSelective Ensemble) | 第47-49页 |
| ·聚类算法 | 第47页 |
| ·使用聚类改进原算法的原因 | 第47-48页 |
| ·k-means聚类算法 | 第48-49页 |
| ·聚类改进差异度具体算法 | 第49-50页 |
| ·实验结果 | 第50-54页 |
| ·本章小结 | 第54-55页 |
| 第五章 应用实例 | 第55-59页 |
| 第六章 总结 | 第59-63页 |
| ·研究总结 | 第59-60页 |
| ·未来研究展望 | 第60-63页 |
| 参考文献 | 第63-65页 |
| 致谢 | 第65-67页 |
| 研究成果及发表的学术论文 | 第67-69页 |
| 作者和导师简介 | 第69-70页 |
| 硕士研究生学位论文答辩委员会决议书 | 第70-71页 |