| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第14-15页 |
| 缩略语对照表 | 第15-20页 |
| 第1章 绪论 | 第20-30页 |
| 1.1 多目标优化问题 | 第20页 |
| 1.2 多目标进化算法的进展 | 第20-23页 |
| 1.3 多目标进化学习算法的进展 | 第23-26页 |
| 1.3.1 基于多目标进化算法的聚类学习 | 第23-25页 |
| 1.3.2 基于多目标进化算法的分类学习 | 第25页 |
| 1.3.3 基于多目标进化算法的维数约减 | 第25-26页 |
| 1.4 多目标进化学习的公开问题 | 第26-27页 |
| 1.5 本文主要工作与内容安排 | 第27-30页 |
| 第2章 基于目标函数修正和可行解引导策略的约束多目标优化问题求解 | 第30-54页 |
| 2.1 引言 | 第30-32页 |
| 2.2 基于目标函数修正和可行解引导策略的约束多目标优化算法 | 第32-36页 |
| 2.2.1 约束多目标优化问题 | 第32页 |
| 2.2.2 基于目标函数修正的约束处理方法 | 第32-34页 |
| 2.2.3 可行解引导策略 | 第34-35页 |
| 2.2.4 算法流程 | 第35-36页 |
| 2.3 实验结果与分析 | 第36-53页 |
| 2.3.1 实验设置 | 第36-39页 |
| 2.3.2 实验对比与分析 | 第39-47页 |
| 2.3.3 算法分析与讨论 | 第47-53页 |
| 2.4 本章小结 | 第53-54页 |
| 第3章 基于多目标进化算法的自适应同时聚类分类学习 | 第54-78页 |
| 3.1 引言 | 第54-56页 |
| 3.1.1 传统混合聚类分类算法 | 第54-55页 |
| 3.1.2 相关多目标进化聚类分类算法 | 第55页 |
| 3.1.3 工作动机 | 第55-56页 |
| 3.2 基于多目标进化算法的自适应同时聚类分类学习建模 | 第56-63页 |
| 3.2.1 问题建模 | 第56-58页 |
| 3.2.2 MOASCC框架 | 第58-61页 |
| 3.2.3 复杂度分析 | 第61页 |
| 3.2.4 MOASCC收敛性分析 | 第61-63页 |
| 3.3 实验与分析 | 第63-76页 |
| 3.3.1 实验参数设置 | 第64页 |
| 3.3.2 人工数据集测试与分析 | 第64-66页 |
| 3.3.3 真实数据测试与分析 | 第66-72页 |
| 3.3.4 基于MOASCC的图像分割结果与分析 | 第72-76页 |
| 3.4 本章小结 | 第76-78页 |
| 第4章 基于多目标进化算法的稀疏谱聚类框架 | 第78-104页 |
| 4.1 引言 | 第78-81页 |
| 4.1.1 传统相似度矩阵构建方法 | 第78-79页 |
| 4.1.2 稀疏表示 | 第79-80页 |
| 4.1.3 本章工作动机 | 第80-81页 |
| 4.2 基于多目标的稀疏谱聚类 | 第81-87页 |
| 4.2.1 SRMOSC建模 | 第81-82页 |
| 4.2.2 半监督谱聚类模型 | 第82-83页 |
| 4.2.3 针对性算子设计 | 第83-86页 |
| 4.2.4 拉普拉斯矩阵构建 | 第86页 |
| 4.2.5 最终解选取 | 第86页 |
| 4.2.6 复杂度分析 | 第86-87页 |
| 4.3 SRMOSC有效性分析与验证 | 第87-101页 |
| 4.3.1 具体性能分析 | 第87-94页 |
| 4.3.2 整体性能对比 | 第94-99页 |
| 4.3.3 基于SRMOSC的纹理图像分割 | 第99-101页 |
| 4.4 本章小结 | 第101-104页 |
| 第5章 基于Pareto集成的谱聚类框架 | 第104-122页 |
| 5.1 引言 | 第104页 |
| 5.2 多目标聚类中的Pareto解选取 | 第104-105页 |
| 5.3 基于Pareto集成的谱聚类框架 | 第105-110页 |
| 5.3.1 PESC的模型构建 | 第105-107页 |
| 5.3.2 PESC模型框架 | 第107-108页 |
| 5.3.3 基于Pareto解集成的相似度矩阵构建 | 第108-110页 |
| 5.3.4 复杂度分析 | 第110页 |
| 5.4 PESC有效性分析与验证 | 第110-120页 |
| 5.4.1 参数设置与分析 | 第110-112页 |
| 5.4.2 算子有效性分析 | 第112-113页 |
| 5.4.3 相似度矩阵有效性分析 | 第113页 |
| 5.4.4 整体性能对比 | 第113-120页 |
| 5.5 本章小结 | 第120-122页 |
| 第6章 基于Pareto的稀疏子空间学习框架 | 第122-140页 |
| 6.1 引言 | 第122-124页 |
| 6.1.1 稀疏子空间学习 | 第122-123页 |
| 6.1.2 基于进化计算的维数约简 | 第123-124页 |
| 6.1.3 本章工作动机 | 第124页 |
| 6.2 基于Pareto的非线性稀疏子空间学习框架 | 第124-131页 |
| 6.2.1 模型构建 | 第124-126页 |
| 6.2.2 算子设计 | 第126-130页 |
| 6.2.3 Pareto解选择 | 第130-131页 |
| 6.2.4 样本预测与分类 | 第131页 |
| 6.3 PSSL有效性分析与对比 | 第131-138页 |
| 6.3.1 PSSL具体性能分析 | 第131-135页 |
| 6.3.2 整体性能对比 | 第135-137页 |
| 6.3.3 高光谱波段选择 | 第137-138页 |
| 6.4 本章小结 | 第138-140页 |
| 第7章 总结与展望 | 第140-144页 |
| 参考文献 | 第144-162页 |
| 致谢 | 第162-164页 |
| 作者简介 | 第164-166页 |
