| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 引言 | 第7-9页 |
| 第1章 文献综述 | 第9-20页 |
| 1.1 标签噪声学习 | 第9-11页 |
| 1.1.1 标签噪声介绍 | 第9-10页 |
| 1.1.2 含标签噪声的数据的分类学习 | 第10-11页 |
| 1.2 狄利克雷过程 | 第11-16页 |
| 1.2.1 狄利克雷分布 | 第11-13页 |
| 1.2.2 狄利克雷过程构造方法 | 第13-15页 |
| 1.2.3 抽样算法 | 第15-16页 |
| 1.3 集成学习 | 第16-19页 |
| 1.3.1 提升法(Boosting) | 第17-18页 |
| 1.3.2 装袋法(Bagging) | 第18页 |
| 1.3.3 堆栈法(Stacking) | 第18-19页 |
| 1.4 本章小结 | 第19-20页 |
| 第2章 基于高斯混合模型的鲁棒判别分析 | 第20-40页 |
| 2.1 高斯混合模型 | 第20-21页 |
| 2.2 基于高斯混合模型的鲁棒判别分析 | 第21-31页 |
| 2.2.1 模型建立及学习方法 | 第21-28页 |
| 2.2.2 理论分析 | 第28-31页 |
| 2.3 实验结果 | 第31-39页 |
| 2.3.1 数据介绍及预处理 | 第31页 |
| 2.3.2 实验结果及分析 | 第31-39页 |
| 2.4 本章小结 | 第39-40页 |
| 第3章 基于狄利克雷混合模型的鲁棒分类模型 | 第40-60页 |
| 3.1 狄利克雷混合模型 | 第40-42页 |
| 3.2 基于狄利克雷混合模型的鲁棒分类模型 | 第42-48页 |
| 3.2.1 提出模型 | 第42-44页 |
| 3.2.2 计算后验分布 | 第44-48页 |
| 3.3 实验及结果分析 | 第48-59页 |
| 3.3.1 人工数据集实验结果 | 第48-51页 |
| 3.3.2 真实数据集实验 | 第51-59页 |
| 3.4 本章小结 | 第59-60页 |
| 第4章 基于Dropout特征选择的集成分类器 | 第60-77页 |
| 4.1 Dropout方法 | 第60-62页 |
| 4.2 基于Dropout的特征选择及集成分类方法 | 第62-65页 |
| 4.2.1 提出的模型 | 第62-63页 |
| 4.2.2 特征选择 | 第63-64页 |
| 4.2.3 基于Dropout的集成学习方法 | 第64-65页 |
| 4.3 实验及结果分析 | 第65-75页 |
| 4.3.1 数据集大小对实验结果的影响 | 第66-69页 |
| 4.3.2 Dropout概率对实验结果的影响 | 第69-71页 |
| 4.3.3 特征维数对实验结果的影响 | 第71-73页 |
| 4.3.4 分类含标签噪声的数据集 | 第73-75页 |
| 4.4 本章小结 | 第75-77页 |
| 第5章 结论与展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 附录A 在校期间研究成果 | 第83-84页 |
| 致谢 | 第84页 |