首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--自动推理、机器学习论文

进化多目标优化学习算法及其应用

摘要第5-7页
ABSTRACT第7-9页
缩略语对照表第15-21页
第一章 绪论第21-31页
    1.1 研究背景和意义第21-22页
    1.2 ROC曲线和DET图第22-23页
    1.3 多目标优化问题及其算法第23-26页
    1.4 研究现状及难点第26-28页
    1.5 本文主要工作与结构安排第28-31页
第二章 基于三维凸包的进化多目标优化算法第31-63页
    2.1 引言第31-33页
    2.2 相关工作第33-35页
    2.3 增广DET图和多目标优化问题第35-40页
        2.3.1 增广DET图和多目标分类器第35-37页
        2.3.2 ADCH最大化和多目标优化第37-40页
    2.4 基于三维凸包的进化多目标优化算法第40-44页
        2.4.1 基于无冗余三维凸包的排序算法第40-41页
        2.4.2 VAS贡献选择机制第41-42页
        2.4.3 算法框架第42-43页
        2.4.4 算法复杂度分析第43-44页
    2.5 人工设计测试问题实验第44-53页
        2.5.1 ZEJD问题设计第44-46页
        2.5.2 评价准则第46-47页
        2.5.3 参数设置第47页
        2.5.4 结果和分析第47-53页
    2.6 邮件检测问题第53-56页
        2.6.1 基于多目标优化的邮件检测问题第53-54页
        2.6.2 Spam Assassin库第54页
        2.6.3 对比算法第54页
        2.6.4 参数设置第54-55页
        2.6.5 结果和分析第55-56页
    2.7 多目标稀疏神经网络学习第56-61页
        2.7.1 多目标稀疏神经网络第57页
        2.7.2 UCI数据集第57页
        2.7.3 对比算法第57-58页
        2.7.4 参数设置第58页
        2.7.5 结果和讨论第58-61页
    2.8 本章小结第61-63页
第三章 基于三维增量凸包的进化多目标优化算法第63-87页
    3.1 引言第63-64页
    3.2 相关工作第64-66页
    3.3 基于三维增量凸包的进化多目标优化算法第66-73页
        3.3.1 基于三维增量凸包的排序算法第66-68页
        3.3.2 基于年龄的选择策略第68-69页
        3.3.3 ?VAS快速计算算法第69-72页
        3.3.4 增量凸包构造算法第72-73页
        3.3.5 算法复杂度分析第73页
    3.4 实验结果和分析第73-86页
        3.4.1 算法3DFCH-EMOA和多种EMOAs对比第75-82页
        3.4.2 算法3DFCH-EMOA和3DCH-EMOA对比第82-86页
        3.4.3 基于年龄的选择策略和随机选择策略对比第86页
    3.5 本章小结第86-87页
第四章 进化多目标稀疏集成学习第87-115页
    4.1 引言第87-89页
    4.2 相关工作第89-90页
    4.3 多目标稀疏集成学习第90-96页
        4.3.1 稀疏集成学习第90-92页
        4.3.2 多目标集成学习第92页
        4.3.3 增广DET凸包最大化第92-95页
        4.3.4 稀疏实数编码第95-96页
    4.4 实验结果和讨论第96-113页
        4.4.1 基于C4.5和装袋策略的实验结果第98-106页
        4.4.2 基于CART和随机子空间的实验结果第106-110页
        4.4.3 多目标稀疏集成算法和五种修剪算法对比第110-113页
    4.5 本章小结第113-115页
第五章 多目标卷积神经网络及其学习算法第115-133页
    5.1 引言第115-117页
    5.2 相关工作第117-120页
        5.2.1 卷积神经网络第117-120页
        5.2.2 双档案高维多目标进化算法第120页
    5.3 高维多目标卷积神经网络第120-126页
        5.3.1 多类别DET超平面第121-123页
        5.3.2 高维多目标卷积神经网络第123页
        5.3.3 Ma O-CNN学习算法第123-126页
    5.4 实验结果和分析第126-132页
        5.4.1 数据库描述第126-128页
        5.4.2 实验采用算法第128页
        5.4.3 评价准则第128页
        5.4.4 参数设置第128-129页
        5.4.5 实验结果和讨论第129-132页
    5.5 本章小结第132-133页
第六章 多目标深度卷积生成式对抗网络第133-153页
    6.1 引言第133-134页
    6.2 相关工作第134-136页
        6.2.1 生成式对抗网第134-135页
        6.2.2 深度卷积生成式对抗网络第135-136页
    6.3 多目标深度卷积生成式对抗网络第136-141页
        6.3.1 模型设计第136-137页
        6.3.2 群搜索策略第137-138页
        6.3.3 基于Pareto占优的选择策略第138-139页
        6.3.4 交叉算子设计第139-140页
        6.3.5 MO-DCGAN学习框架第140-141页
    6.4 实验结果和分析第141-150页
        6.4.1 参数设置第141-142页
        6.4.2 实验结果和讨论第142-150页
    6.5 本章小结第150-153页
第七章 总结和展望第153-157页
    7.1 论文主要工作和总结第153-155页
    7.2 工作展望第155-157页
参考文献第157-173页
致谢第173-175页
作者简介第175-177页

论文共177页,点击 下载论文
上一篇:基于压缩感知与逆向调制的链路采样技术研究
下一篇:基于成像传感器的可见光定位理论与技术研究