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

若干机器学习算法的研究与应用

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

论文共90页,点击 下载论文
上一篇:无线传感器网络路由算法及相关问题研究
下一篇:纳米氧化物半导体电极材料的制备与电化学生物传感应用