| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| §1.1 课题研究背景与意义 | 第10-13页 |
| §1.2 研究现状 | 第13-15页 |
| §1.3 论文主要工作及内容安排 | 第15-17页 |
| 1.3.1 本文工作的主要内容 | 第15-17页 |
| 1.3.2 论文结构 | 第17页 |
| §1.4 本章小结 | 第17-18页 |
| 第二章 模式分类的理论基础 | 第18-32页 |
| §2.1 模式识别的理论基础 | 第18-21页 |
| 2.1.1 模式识别的基本概念 | 第18-20页 |
| 2.1.2 模式识别系统的典型构成 | 第20-21页 |
| §2.2 模式分类的主要方法 | 第21-28页 |
| 2.2.1 Bayes分类方法 | 第22-23页 |
| 2.2.2 k-近邻(k-NN)分类方法 | 第23-25页 |
| 2.2.3 支持向量机(SVM) | 第25-28页 |
| §2.3 模式分类的系统评价 | 第28-31页 |
| 2.3.1 训练错误率 | 第28-29页 |
| 2.3.2 测试错误率 | 第29-30页 |
| 2.3.3 交叉验证 | 第30-31页 |
| §2.4 本章小结 | 第31-32页 |
| 第三章 基于正交局部判别嵌入的k-近邻分类 | 第32-45页 |
| §3.1 引言 | 第32-34页 |
| §3.2 维数约简方法 | 第34-39页 |
| 3.2.1 主成分分析(PCA) | 第34-35页 |
| 3.2.2 线性判别分析(LDA) | 第35-36页 |
| 3.2.3 局部线性嵌入(LLE) | 第36-37页 |
| 3.2.4 局部保持映射(LPP) | 第37-38页 |
| 3.2.5 间隔Fisher分析(FMA) | 第38-39页 |
| §3.3 局部判别嵌入(LDE)及其改进 | 第39-42页 |
| 3.3.1 局部判别嵌入(LDE) | 第39-41页 |
| 3.3.2 正交局部判别嵌入(O-LDE) | 第41-42页 |
| §3.4 试验结果与分析 | 第42-44页 |
| §3.5 本章小结 | 第44-45页 |
| 第四章 基于分组特征子集选择的Bayes集成分类 | 第45-60页 |
| §4.1 引言 | 第45-47页 |
| §4.2 集成学习算法 | 第47-50页 |
| 4.2.1 基分类器的产生方式 | 第48-49页 |
| 4.2.2 分类器集成的构造方式 | 第49-50页 |
| §4.3 分组特征子集选择的Bayes集成算法 | 第50-55页 |
| 4.3.1 集成特征选择 | 第50-52页 |
| 4.3.2 分组的集成特征选择 | 第52-54页 |
| 4.3.3 分组特征选择的Bayes集成方法 | 第54-55页 |
| §4.4 试验及结果分析 | 第55-58页 |
| 4.4.1 多源性试验数据描述 | 第56-57页 |
| 4.4.2 试验结果及分析 | 第57-58页 |
| §4.5 本章小结 | 第58-60页 |
| 第五章 基于样本空间学习的分组支持向量机分类 | 第60-76页 |
| §5.1 引言 | 第60-62页 |
| §5.2 基于聚类分组的SVM | 第62-66页 |
| 5.2.1 基于聚类的样本分组训练模型 | 第63-64页 |
| 5.2.2 对测试样本选择预测分类算法 | 第64-66页 |
| §5.3 基于EM样本空间分组的fuzzy SVM | 第66-71页 |
| 5.3.1 基于混合模型的训练样本分组 | 第67-68页 |
| 5.3.2 混合模型的参数确定 | 第68-70页 |
| 5.3.3 分组fuzzy SVM | 第70-71页 |
| §5.4 试验及结果分析 | 第71-75页 |
| 5.4.1 仿真数据及试验结果 | 第72-74页 |
| 5.4.2 乳腺数据及试验结果 | 第74-75页 |
| §5.5 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-79页 |
| §6.1 工作总结 | 第76-77页 |
| §6.2 未来工作展望 | 第77-79页 |
| 参考文献 | 第79-94页 |
| 致谢 | 第94-95页 |
| 攻读博士学位期间的研究成果 | 第95-97页 |
| 作者简介 | 第97页 |