基于学习自动机的分类算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 缩略语 | 第10-11页 |
| 目录 | 第11-14页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 LA 分类算法的研究现状和研究成果 | 第15-17页 |
| 1.3 论文研究内容与组织结构 | 第17-19页 |
| 第二章 基础知识介绍 | 第19-28页 |
| 2.1 数据分类概述 | 第19页 |
| 2.2 LA 分类方法概述 | 第19-22页 |
| 2.2.1 LA 的基本概念 | 第19-21页 |
| 2.2.2 LA 分类器的学习流程 | 第21-22页 |
| 2.3 FALA 算法 | 第22-24页 |
| 2.3.1 FALA 概述 | 第22-23页 |
| 2.3.2 LR-I算法 | 第23页 |
| 2.3.3 Pursuit 算法 | 第23-24页 |
| 2.4 CALA 算法 | 第24-25页 |
| 2.4.1 CALA 概述 | 第24页 |
| 2.4.2 CALA 的学习算法 | 第24-25页 |
| 2.5 GLA 算法 | 第25-27页 |
| 2.5.1 GLA 概述 | 第25-26页 |
| 2.5.2 GLA 的学习算法 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 基于自适应步长的 DBD-GLA 算法 | 第28-45页 |
| 3.1 GLA 的缺点分析 | 第28-30页 |
| 3.2 基于自适应步长的 DBD-GLA 算法 | 第30-32页 |
| 3.2.1 GLA 算法的改进思路 | 第30-31页 |
| 3.2.2 DBD-GLA 的整体框架 | 第31-32页 |
| 3.3 DBD-GLA 算法的具体实现 | 第32-38页 |
| 3.3.1 数据归一化 | 第32页 |
| 3.3.2 强化方案的选择 | 第32-33页 |
| 3.3.3 基于自适应步长的更新规则 | 第33-34页 |
| 3.3.4 算法分析 | 第34-37页 |
| 3.3.5 鲁棒性的提高 | 第37-38页 |
| 3.4 实验结果与分析 | 第38-44页 |
| 3.4.1 实验数据集 | 第38-39页 |
| 3.4.2 效果评价指标 | 第39页 |
| 3.4.3 相关实施细节 | 第39-40页 |
| 3.4.4 实验结果及分析 | 第40-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于 CALA 的斜决策树分类方法 | 第45-62页 |
| 4.1 斜决策树与 OC1 算法概述 | 第45-48页 |
| 4.2 基于 CALA 的斜决策树分类方法 | 第48-50页 |
| 4.2.1 算法思路 | 第48-49页 |
| 4.2.2 算法流程 | 第49-50页 |
| 4.3 算法具体实现 | 第50-54页 |
| 4.3.1 选择不纯度指标 | 第50-51页 |
| 4.3.2 数据采样 | 第51-52页 |
| 4.3.3 定义行动和反馈 | 第52-53页 |
| 4.3.4 设置停止准则 | 第53-54页 |
| 4.4 实验结果及分析 | 第54-61页 |
| 4.4.1 实验数据集 | 第54-55页 |
| 4.4.2 评价指标及实验方法 | 第55页 |
| 4.4.3 实验结果及分析 | 第55-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 结论及展望 | 第62-65页 |
| 5.1 论文主要内容总结 | 第62-63页 |
| 5.2 后续工作展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-70页 |
| 攻读硕士学位期间发表学术论文情况 | 第70页 |
