针对特征缺省数据集的模式识别方法与应用研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-13页 |
| ·课题背景及研究意义 | 第9-10页 |
| ·国内外发展现状 | 第10-11页 |
| ·模式识别的发展 | 第10页 |
| ·支持向量机的发展 | 第10页 |
| ·数据集的发展 | 第10-11页 |
| ·本文主要研究内容和组织结构 | 第11-13页 |
| 第二章 背景知识 | 第13-34页 |
| ·机器学习 | 第13-17页 |
| ·机器学习的发展 | 第13-14页 |
| ·机器学习的函数模型 | 第14-15页 |
| ·机器学习的三个基本问题 | 第15-16页 |
| ·经验风险最小化 | 第16页 |
| ·复杂性和泛化性 | 第16-17页 |
| ·统计学习理论 | 第17-21页 |
| ·学习过程一致性的条件 | 第18-19页 |
| ·VC 维 | 第19页 |
| ·推广能力的界 | 第19-20页 |
| ·结构风险最小化 | 第20-21页 |
| ·最优化理论知识 | 第21-24页 |
| ·二次规划问题 | 第21-22页 |
| ·最优解的充要条件 | 第22-23页 |
| ·对偶问题 | 第23-24页 |
| ·支持向量机 | 第24-32页 |
| ·支持向量机的提出 | 第24页 |
| ·支持向量机的主要思想 | 第24-27页 |
| ·最优分类超平面和支持向量 | 第27-28页 |
| ·核函数和Mercer 条件 | 第28-30页 |
| ·支持向量机的特性 | 第30-31页 |
| ·支持向量机的新发展 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 第三章 基于特征缺省的最小类内方差支持向量机 | 第34-45页 |
| ·引言 | 第34页 |
| ·特征缺少 | 第34-37页 |
| ·特征缺失的原因和种类 | 第34-35页 |
| ·处理特征缺失的方法 | 第35-37页 |
| ·类内方差和分类间隔的重定义 | 第37-38页 |
| ·类内方差 | 第37-38页 |
| ·分类间隔 | 第38页 |
| ·问题优化及算法思想 | 第38-41页 |
| ·优化过程 | 第38-40页 |
| ·算法步骤 | 第40-41页 |
| ·实验结果和分析 | 第41-44页 |
| ·实验数据和实验环境 | 第41页 |
| ·实验结果 | 第41-43页 |
| ·实验分析 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 基于少量异常数据的最大间隔新奇检测方法 | 第45-55页 |
| ·引言 | 第45-46页 |
| ·非均衡数据集 | 第46-47页 |
| ·非均衡数据集的定义和应用 | 第46页 |
| ·处理非均衡数据集的几个常用算法方法 | 第46-47页 |
| ·新奇检测 | 第47页 |
| ·新奇检测问题的定义 | 第47页 |
| ·新奇检测的一般方法 | 第47页 |
| ·模型的建立及对偶问题 | 第47-51页 |
| ·模型的建立及算法思想 | 第48-49页 |
| ·对偶问题的解决 | 第49-51页 |
| ·决策函数及参数特性 | 第51-52页 |
| ·决策函数 | 第51页 |
| ·参数特性 | 第51-52页 |
| ·实验结果和分析 | 第52-54页 |
| ·数据集和实验环境 | 第52-53页 |
| ·参数选择和实验结果 | 第53-54页 |
| ·实验分析 | 第54页 |
| ·本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-56页 |
| ·论文工作总结 | 第55页 |
| ·未来工作展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第61页 |
