| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-18页 |
| ·集成学习 | 第8-10页 |
| ·复杂网络学习 | 第10-14页 |
| ·复杂网络理论基础 | 第11-12页 |
| ·复杂网络演化模型 | 第12-14页 |
| ·复杂网络在机器学习中的应用 | 第14页 |
| ·SAR图像分类与识别 | 第14-15页 |
| ·论文的结构和内容安排 | 第15-18页 |
| 第二章 网络集成学习理论基础 | 第18-26页 |
| ·引言 | 第18页 |
| ·Network Boosting算法 | 第18-19页 |
| ·Weight-tuning Network Boosting算法 | 第19-20页 |
| ·实验结果及分析 | 第20-25页 |
| ·NB算法中各影响因素分析实验 | 第20-24页 |
| ·WNB算法与NB算法的稳定性对比 | 第24页 |
| ·WNB算法与NB算法的抗噪性对比 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 自调节分类器网络学习 | 第26-38页 |
| ·引言 | 第26-27页 |
| ·免疫克隆选择算法 | 第27-29页 |
| ·人工免疫系统介绍 | 第27页 |
| ·免疫克隆选择算法 | 第27-29页 |
| ·基于ICSA的自调节分类器网络学习 | 第29-33页 |
| ·适应度函数 | 第30-31页 |
| ·编码方式 | 第31-32页 |
| ·操作算子 | 第32页 |
| ·算法流程 | 第32-33页 |
| ·实验结果与分析 | 第33-37页 |
| ·UCI数据集和人工数据集测试 | 第33-35页 |
| ·MSTAR图像数据测试 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 基于迁移网络学习的SAR图像目标识别 | 第38-48页 |
| ·引言 | 第38页 |
| ·迁移学习理论 | 第38-41页 |
| ·基分类器迁移理论 | 第41-42页 |
| ·迁移网络学习算法 | 第42-45页 |
| ·样本选择方法 | 第42-43页 |
| ·迁移网络学习算法 | 第43-45页 |
| ·实验结果及分析 | 第45-47页 |
| ·在MSATR数据集上实验 | 第45-46页 |
| ·在Plane数据集上实验 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 基于分布式迁移网络学习的入侵检测 | 第48-56页 |
| ·引言 | 第48-49页 |
| ·分布式网络集成学习算法 | 第49-51页 |
| ·基于分布式迁移网络学习的入侵检测方法 | 第51-53页 |
| ·实验结果及分析 | 第53-55页 |
| ·实验数据介绍 | 第53页 |
| ·实验数据预处理 | 第53-54页 |
| ·基于DNB的入侵检测 | 第54页 |
| ·基于DTNL的入侵检测 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 总结与展望 | 第56-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 硕士期间的研究成果 | 第64页 |