摘要 | 第1-8页 |
Abstract | 第8-14页 |
第1章 绪论 | 第14-20页 |
·研究背景 | 第14-15页 |
·研究的目的与意义 | 第15-17页 |
·本文的主要工作 | 第17-20页 |
第2章 机器学习相关算法概述 | 第20-28页 |
·粒子群算法 | 第20-21页 |
·遗传算法 | 第21-23页 |
·支持向量机 | 第23-24页 |
·支持向量聚类 | 第24-26页 |
·小结 | 第26-28页 |
第3章 全局收敛的粒子群算法 | 第28-54页 |
·引言 | 第28-29页 |
·标准粒子群算法的吸收态马尔可夫模型 | 第29-30页 |
·单个粒子找到全局最优解的概率 | 第30-32页 |
·随机搜索方法的收敛性定理 | 第32-33页 |
·标准粒子群算法的收敛性分析 | 第33-34页 |
·保证粒子群算法全局收敛的充分条件 | 第34-36页 |
·扩大搜索范围为全局搜索 | 第34-35页 |
·修改候选解产生函数 D | 第35-36页 |
·一种保证全局收敛的粒子群算法:随机粒子群算法 | 第36-40页 |
·随机粒子群算法 | 第36-38页 |
·随机粒子群算法的收敛性分析 | 第38-40页 |
·带有参数关联性学习的协同随机粒子群算法 | 第40-42页 |
·问题的分解 | 第41-42页 |
·带有参数关联性学习的协同粒子群算法 | 第42页 |
·数值模拟实验及结果 | 第42-53页 |
·基准测试方程 | 第43页 |
·参数选择 | 第43-44页 |
·用于比较的其它算法 | 第44-45页 |
·实验结果与讨论 | 第45-53页 |
·本章小结 | 第53-54页 |
第4章 基于 GA 与 SVM 的混合算法在电能质量扰动分类问题中的应用 | 第54-62页 |
·引言 | 第54-55页 |
·特征提取 | 第55页 |
·小波变换 | 第55页 |
·特征向量的提取 | 第55页 |
·基于 GA-SVM 的电能质量扰动分类 | 第55-59页 |
·基于 GA 的特征选择 | 第55-58页 |
·基于 SVM 的电能扰动信号分类 | 第58页 |
·基于 GA-SVM 的电能质量扰动分类算法流程 | 第58-59页 |
·数值模拟实验及结果 | 第59-61页 |
·电能质量扰动信号模型 | 第59页 |
·实验设定 | 第59-60页 |
·实验结果与讨论 | 第60-61页 |
·本章小结 | 第61-62页 |
第5章 支持向量聚类算法在基于内容的图像注释中的应用 | 第62-76页 |
·引言 | 第62-63页 |
·相关研究工作 | 第63-65页 |
·基于概率模型的图像自动注释 | 第63-65页 |
·相关算法 | 第65页 |
·基于支持向量的数据簇描述 | 第65-69页 |
·图像的特征提取 | 第65-66页 |
·单数据簇 SVC 模型 | 第66-67页 |
·数据簇的密度估计 | 第67-68页 |
·高斯核函数标准差参数的选取 | 第68-69页 |
·图像的注释 | 第69-70页 |
·数值模拟实验及结果 | 第70-74页 |
·训练图像集与测试图像集 | 第70页 |
·实验设置 | 第70-71页 |
·在 Corel60K 测试图像集上的比较注释结果 | 第71-74页 |
·本章小结 | 第74-76页 |
第6章 结论与展望 | 第76-80页 |
·本文工作总结 | 第76-78页 |
·展望 | 第78-80页 |
参考文献 | 第80-88页 |
作者简介及在学期间所取得的科研成果 | 第88-90页 |
致谢 | 第90页 |