| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第15-26页 |
| 1.1 研究的背景和意义 | 第15-17页 |
| 1.1.1 机器学习概述 | 第15-16页 |
| 1.1.2 集成学习的研究意义 | 第16页 |
| 1.1.3 集成学习的性能问题 | 第16-17页 |
| 1.2 集成学习概述 | 第17-20页 |
| 1.2.1 集成学习研究的关键问题 | 第18页 |
| 1.2.2 分类器集成 | 第18-19页 |
| 1.2.3 神经网络集成 | 第19-20页 |
| 1.2.4 并行集成学习 | 第20页 |
| 1.3 研究动机和研究目标 | 第20-21页 |
| 1.4 研究内容 | 第21-24页 |
| 1.4.1 基于模糊密度和模糊积分的神经网络集成分类器 | 第22页 |
| 1.4.2 基于集成特征抽取和多维Adaboost算法的神经网络集成分类器 | 第22-23页 |
| 1.4.3 基于遗传算法的并行选择性神经网络集成分类器 | 第23页 |
| 1.4.4 基于聚类和局部优化算法的并行选择性神经网络集成分类器 | 第23-24页 |
| 1.4.5 并行神经网络集成在分布式虚拟仿人机器人的应用 | 第24页 |
| 1.5 论文章节组织 | 第24-26页 |
| 第二章 集成学习的理论基础和研究现状 | 第26-46页 |
| 2.1 集成学习的框架 | 第26-27页 |
| 2.2 集成学习的理论基础 | 第27-28页 |
| 2.3 集成学习的有效性分析 | 第28-31页 |
| 2.3.1 有效性的内部条件 | 第28-29页 |
| 2.3.2 有效性的外部条件 | 第29-31页 |
| 2.4 集成学习的算法分析 | 第31-37页 |
| 2.4.1 子学习机的生成算法 | 第31-34页 |
| 2.4.2 子学习机的集成算法 | 第34-37页 |
| 2.5 集成学习的评估分析 | 第37-38页 |
| 2.6 集成学习的研究现状 | 第38-42页 |
| 2.6.1 分类器集成的研究现状 | 第38-40页 |
| 2.6.2 神经网络集成研究现状 | 第40-41页 |
| 2.6.3 并行集成学习研究现状 | 第41-42页 |
| 2.7 本论文涉及的分类问题介绍 | 第42-45页 |
| 2.7.1 双螺旋分类问题 | 第42-43页 |
| 2.7.2 人脸识别与人脸表情识别 | 第43-44页 |
| 2.7.3 UCI数据库 | 第44-45页 |
| 2.8 本章小结 | 第45-46页 |
| 第三章 基于模糊密度和模糊积分的神经网络集成分类器 | 第46-55页 |
| 3.1 引言 | 第46页 |
| 3.2 模糊积分与神经网络集成 | 第46-48页 |
| 3.2.1 模糊测度、模糊密度和模糊积分 | 第46-48页 |
| 3.2.2 模糊积分在神经网络集成中的应用 | 第48页 |
| 3.3 基于模糊积分的神经网络集成算法 | 第48-51页 |
| 3.3.1 模糊密度和模糊积分的选择 | 第48-50页 |
| 3.3.2 算法描述及流程 | 第50-51页 |
| 3.4 实验 | 第51-54页 |
| 3.4.1 实验环境和参数设置 | 第51页 |
| 3.4.2 单个神经网络与多神经网络集成比较 | 第51-52页 |
| 3.4.3 成员神经网络参数对结果影响 | 第52-53页 |
| 3.4.4 不同模糊密度函数比较 | 第53-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 基于集成特征抽取和多维Adaboost算法的神经网络集成分类器 | 第55-67页 |
| 4.1 引言 | 第55页 |
| 4.2 集成特征抽取方法 | 第55-59页 |
| 4.2.1 人脸图像的主成分分析（特征脸方法） | 第56-57页 |
| 4.2.2 Gabor滤波器 | 第57-58页 |
| 4.2.3 集成特征抽取 | 第58-59页 |
| 4.3 基于多维分类误差调整的Adaboost算法（MD-Adaboost） | 第59-63页 |
| 4.3.1 Adaboost在多类问题中的应用 | 第59-60页 |
| 4.3.2 MD-Adaboost算法设计 | 第60-62页 |
| 4.3.3 Adaboost与MD-Adaboost的比较 | 第62-63页 |
| 4.4 实验和讨论 | 第63-65页 |
| 4.4.1 实验环境 | 第63页 |
| 4.4.2 多特征抽取算法的有效性 | 第63-65页 |
| 4.4.3 MD-Adaboost与其他算法对比 | 第65页 |
| 4.5 本章小结 | 第65-67页 |
| 第五章 基于遗传算法的并行选择性神经网络集成分类器 | 第67-83页 |
| 5.1 引言 | 第67-70页 |
| 5.1.1 选择性集成 | 第67-68页 |
| 5.1.2 选择策略的相关研究 | 第68-69页 |
| 5.1.3 Mapreduce | 第69-70页 |
| 5.2 基于遗传算法的选择性集 | 第70-73页 |
| 5.2.1 子网络的生成 | 第70-71页 |
| 5.2.2 选择策略 | 第71-72页 |
| 5.2.3 集成算法 | 第72-73页 |
| 5.3 选择性集成算法的并行计算 | 第73-77页 |
| 5.3.1 子神经网络的并行训练 | 第73-75页 |
| 5.3.2 基于粗粒度并行遗传算法的选择和集成 | 第75-76页 |
| 5.3.3 神经网络集成分类器并行的应用计算 | 第76-77页 |
| 5.4 实验和讨论 | 第77-82页 |
| 5.4.1 实验环境 | 第77页 |
| 5.4.2 集成学习的效果 | 第77-78页 |
| 5.4.3 选择性集成与一般集成的比较 | 第78-79页 |
| 5.4.4 基于Mapreduce并行计算的优势 | 第79-80页 |
| 5.4.5 神经网络集成的规模对算法的影响 | 第80-82页 |
| 5.5 本章小结 | 第82-83页 |
| 第六章 基于聚类和局部优化的并行选择性神经网络集成分类器 | 第83-101页 |
| 6.1 引言 | 第83-85页 |
| 6.1.1 全局优化选择策略 | 第83-84页 |
| 6.1.2 聚类选择策略 | 第84-85页 |
| 6.1.3 两类选择策略的分析比较 | 第85页 |
| 6.2 基于聚类和局部优化的选择性神经网络集成算法（SNNE-KP） | 第85-91页 |
| 6.2.1 训练阶段 | 第87页 |
| 6.2.2 聚类阶段 | 第87-88页 |
| 6.2.3 类内局部优化选择阶段 | 第88-90页 |
| 6.2.4 子神经网络集成阶段 | 第90页 |
| 6.2.5 SNNE-KP算法小结 | 第90-91页 |
| 6.3 SNNE-KP算法在并行计算环境中的实现 | 第91-93页 |
| 6.3.1 并行计算的时间分析 | 第91-93页 |
| 6.3.2 并行计算框架 | 第93页 |
| 6.4 实验和讨论 | 第93-99页 |
| 6.4.1 不同的集成算法在不同数据集上的比较 | 第93-96页 |
| 6.4.2 个体神经网络分类数量的研究 | 第96-97页 |
| 6.4.3 粒子群规模对集成的影响 | 第97-99页 |
| 6.4.4 并行计算的优势 | 第99页 |
| 6.5 本章小结 | 第99-101页 |
| 第七章 并行神经网络集成在虚拟仿人机器人平台的应用 | 第101-113页 |
| 7.1 引言 | 第101-102页 |
| 7.2 虚拟仿人机器人平台设计的相关基础 | 第102-104页 |
| 7.2.1 仿人机器人原型 | 第102页 |
| 7.2.2 实验室网格平台 | 第102-103页 |
| 7.2.3 混合神经网络计算平台 | 第103-104页 |
| 7.3 虚拟仿人机器人平台 | 第104-105页 |
| 7.3.1 虚拟仿人机器人VHR | 第104-105页 |
| 7.3.2 仿人机器人三维实时仿真系统 | 第105页 |
| 7.4 基于并行神经网络集成的人脸识别 | 第105-108页 |
| 7.4.1 基于特征脸算法的人脸特征提取和降维 | 第105-107页 |
| 7.4.2 基于并行神经网络集成的分类判别 | 第107页 |
| 7.4.3 功能机器人合作控制 | 第107-108页 |
| 7.5 实验与分析 | 第108-111页 |
| 7.5.1 实验配置 | 第108页 |
| 7.5.2 实验结果 | 第108-111页 |
| 7.6 本章小结 | 第111-113页 |
| 结论与展望 | 第113-116页 |
| 参考文献 | 第116-129页 |
| 攻读博士学位期间取得的研究成果 | 第129-131页 |
| 致谢 | 第131-132页 |
| 附件 | 第132页 |
