| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究工作的背景与意义 | 第11-14页 |
| 1.2 国内外研究历史与现状 | 第14-16页 |
| 1.3 本论文的主要研究内容 | 第16-17页 |
| 1.4 本论文的结构安排 | 第17-19页 |
| 第二章 多示例学习分析 | 第19-28页 |
| 2.1 引言 | 第19页 |
| 2.2 多示例学习的概念与数学描述 | 第19-20页 |
| 2.3 多示例学习与传统学习的区别 | 第20-22页 |
| 2.4 几种典型的多示例学习算法 | 第22-27页 |
| 2.4.1 多样性密度(DD)算法 | 第22-24页 |
| 2.4.2 EM-DD算法 | 第24-25页 |
| 2.4.3 DD-SVM算法 | 第25-26页 |
| 2.4.4 MILES算法 | 第26页 |
| 2.4.5 BP-MIP算法 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于特征选择的嵌入空间算法MILES分析 | 第28-39页 |
| 3.1 引言 | 第28页 |
| 3.2 基本概念 | 第28-32页 |
| 3.2.1 特征映射 | 第29-30页 |
| 3.2.2 特征选择 | 第30-32页 |
| 3.3 算法流程与分析 | 第32-33页 |
| 3.4 实验结果与分析 | 第33-38页 |
| 3.4.1 特征映射 | 第33-35页 |
| 3.4.2 分类精度与时间消耗 | 第35-37页 |
| 3.4.3 算法的不足 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于聚类和概率神经网络的改进算法MIL-CPNN | 第39-54页 |
| 4.1 引言 | 第39页 |
| 4.2 改进算法的启发点 | 第39-40页 |
| 4.3 算法构成 | 第40-46页 |
| 4.3.1 聚类 | 第40-41页 |
| 4.3.2 概率神经网络 | 第41-44页 |
| 4.3.3 改进的算法分析 | 第44-46页 |
| 4.4 实验结果与分析 | 第46-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 基于嵌入空间和神经网络的改进算法MIL-ENN | 第54-63页 |
| 5.1 引言 | 第54页 |
| 5.2 改进算法的启发点 | 第54-55页 |
| 5.3 算法构成 | 第55-59页 |
| 5.3.1 神经网络形式 | 第55-56页 |
| 5.3.2 反向传播算法 | 第56-58页 |
| 5.3.3 改进的算法分析 | 第58-59页 |
| 5.4 实验结果与分析 | 第59-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 全文总结与展望 | 第63-65页 |
| 6.1 全文总结 | 第63页 |
| 6.2 后续工作展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间取得的成果 | 第71-72页 |