基于示例加权支持向量机的多示例学习算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文主要内容 | 第13页 |
| 1.4 论文组织架构 | 第13-15页 |
| 第二章 支持向量机理论基础 | 第15-22页 |
| 2.1 统计学习理论 | 第15-16页 |
| 2.2 支持向量理论 | 第16-19页 |
| 2.2.1 线性可分情况 | 第17-18页 |
| 2.2.2 非线性情况 | 第18-19页 |
| 2.2.3 核函数 | 第19页 |
| 2.3 最优化问题求解 | 第19-20页 |
| 2.4 支持向量机的应用 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 多示例学习相关研究 | 第22-33页 |
| 3.1 经典的多示例学习算法 | 第23-27页 |
| 3.1.1 轴平行矩形算法 | 第23-24页 |
| 3.1.2 基于概率统计类的多示例学习算法 | 第24-25页 |
| 3.1.3 基于算法适应类的多示例学习算法 | 第25页 |
| 3.1.4 基于问题转换类的多示例学习算法 | 第25-27页 |
| 3.2 经典的基于支持向量机的多示例学习算法 | 第27-28页 |
| 3.3 多示例学习与传统学习框架的区别 | 第28-30页 |
| 3.4 多示例学习的应用 | 第30-31页 |
| 3.5 本章小结 | 第31-33页 |
| 第四章 基于示例加权支持向量机的多示例学习算法 | 第33-42页 |
| 4.1 多示例数据的噪声问题 | 第33-34页 |
| 4.2 多示例学习问题描述 | 第34-37页 |
| 4.4 基于示例加权支持向量机的多示例学习算法 | 第37-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 实验结果与分析 | 第42-50页 |
| 5.1 实验数据集合 | 第42-44页 |
| 5.1.1 MUSK数据集 | 第42-43页 |
| 5.1.2 CBIR数据集 | 第43-44页 |
| 5.2 实验设计 | 第44-46页 |
| 5.3 实验结果分析 | 第46-48页 |
| 5.4 本章小结 | 第48-50页 |
| 总结与展望 | 第50-52页 |
| 参考文献 | 第52-57页 |
| 攻读硕士学位期间发表的学术论文 | 第57-59页 |
| 致谢 | 第59页 |
