| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 PLS的发展及国内外研究现状 | 第12-13页 |
| 1.2.2 模式识别的发展及应用 | 第13-14页 |
| 1.2.3 集成学习的发展和现状 | 第14-16页 |
| 1.3 本文研究内容和文章组织结构 | 第16-19页 |
| 第2章 特征提取 | 第19-27页 |
| 2.1 模式与模式识别 | 第19-20页 |
| 2.2 高维数据的特征提取 | 第20-26页 |
| 2.2.1 主成分分析方法 | 第21-24页 |
| 2.2.2 偏最小二乘法用于特征提取 | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 PLSDA分类模型的建立 | 第27-37页 |
| 3.1 数学建模简介 | 第27页 |
| 3.2 数据集预处理方法 | 第27-29页 |
| 3.2.1 数据预处理简介 | 第27-28页 |
| 3.2.2 本文中的数据预处理方法 | 第28-29页 |
| 3.3 PLS模型的建立 | 第29-33页 |
| 3.3.1 PLS算法介绍及实现 | 第30-31页 |
| 3.3.2 潜变量数目确定方法 | 第31-33页 |
| 3.4 判别函数的建立 | 第33-36页 |
| 3.4.1 判别函数的定义 | 第33-34页 |
| 3.4.2 判别函数正负值的确定 | 第34-35页 |
| 3.4.3 确定判别函数的两个因素 | 第35页 |
| 3.4.4 线性判别函数的一般形式 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 SLT-PLSDA分类模型的建立 | 第37-49页 |
| 4.1 SLT提出的背景和原理 | 第37-40页 |
| 4.2 基于SLT的偏最小二乘分类模型 | 第40-42页 |
| 4.3 优化参数的确定 | 第42-43页 |
| 4.3.1 优化过程中潜变量个数的确定 | 第42页 |
| 4.3.2 最优分段数(bins)的确定 | 第42页 |
| 4.3.3 算法的评估 | 第42-43页 |
| 4.4 PLSDA与SLT-PLSDA分类模型的比较 | 第43-47页 |
| 4.5 本章小结 | 第47-49页 |
| 第5章 分类模型性能的评价 | 第49-55页 |
| 5.1 引言 | 第49页 |
| 5.2 监督模式识别方法的错误率估计 | 第49-52页 |
| 5.2.1 训练错误率 | 第49-50页 |
| 5.2.2 测试错误率 | 第50页 |
| 5.2.3 交叉验证方法简介 | 第50-52页 |
| 5.3 交叉验证方法对分类模型(分类器)性能的评价 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第6章 集成学习方法对分类模型的优化 | 第55-63页 |
| 6.1 引言 | 第55页 |
| 6.2 集成学习简介 | 第55-57页 |
| 6.3 分类模型的优化方法 | 第57-58页 |
| 6.3.1 基本分类器之间的关系 | 第57页 |
| 6.3.2 问题的提出 | 第57-58页 |
| 6.4 集成学习优化方法的设计 | 第58-59页 |
| 6.4.1 简单投票法应用于分类模型 | 第58-59页 |
| 6.4.2 基于准确率的新模型 | 第59页 |
| 6.5 实验部分 | 第59-61页 |
| 6.6 本章小结 | 第61-63页 |
| 第7章 总结与展望 | 第63-65页 |
| 7.1 总结 | 第63页 |
| 7.2 展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71页 |