| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文组织 | 第14-15页 |
| 第2章 预备知识 | 第15-25页 |
| 2.1 支持向量机 | 第15-19页 |
| 2.1.1 学习问题的一般表示 | 第15-16页 |
| 2.1.2 统计学习理论 | 第16-17页 |
| 2.1.3 支持向量机基本原理 | 第17-18页 |
| 2.1.4 支持向量机的实现算法 | 第18-19页 |
| 2.1.5 支持向量机分类器的优缺点 | 第19页 |
| 2.2 集成学习 | 第19-23页 |
| 2.2.1 集成学习概念 | 第20页 |
| 2.2.2 基分类器的构造方法 | 第20-21页 |
| 2.2.3 基分类器的组合方法 | 第21-22页 |
| 2.2.4 Bagging与Adaboost算法 | 第22-23页 |
| 2.3 实验工具箱与方法简介 | 第23-24页 |
| 2.3.1 LIBSVM工具箱 | 第24页 |
| 2.3.2 实验方法简介 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 支持向量机集成学习的差异性 | 第25-34页 |
| 3.1 集成学习的差异性 | 第25-27页 |
| 3.1.1 不一致差异性（Fail/Non-Fail） | 第25页 |
| 3.1.2 Q统计 | 第25-26页 |
| 3.1.3 相关系数（The correlation coefficient） | 第26页 |
| 3.1.4 广义差异性 | 第26页 |
| 3.1.5 熵差异性 | 第26-27页 |
| 3.2 基于支持向量的差异性度量 | 第27-30页 |
| 3.2.1 支持向量机集成 | 第27页 |
| 3.2.2 基于支持向量的差异性度量 | 第27-30页 |
| 3.3 基于支持向量的差异性实验研究 | 第30-33页 |
| 3.3.1 支持向量机集成算法 | 第30-31页 |
| 3.3.2 实验结果及分析 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于子图的选择性集成学习算法 | 第34-42页 |
| 4.1 选择性集成 | 第34-36页 |
| 4.1.1 选择策略 | 第34-35页 |
| 4.1.2 评价标准 | 第35-36页 |
| 4.2 基于子图的选择性集成算法 | 第36-38页 |
| 4.2.1 基于子图的选择性集成问题描述 | 第36-37页 |
| 4.2.2 基于子图的选择性集成算法 | 第37-38页 |
| 4.3 基于子图的选择性集成算法实验研究 | 第38-41页 |
| 4.3.1 实验描述 | 第39页 |
| 4.3.2 实验结果及分析 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 多类支持向量机的选择性集成学习研究 | 第42-51页 |
| 5.1 处理多类问题常用方法 | 第42-45页 |
| 5.1.1 “All—Together”方法 | 第42-43页 |
| 5.1.2 一对一方法 | 第43页 |
| 5.1.3 一对多方法 | 第43页 |
| 5.1.4 有向无环图法 | 第43-44页 |
| 5.1.5 基于决策树的方法 | 第44-45页 |
| 5.1.6 纠错输出编码法 | 第45页 |
| 5.2 多类支持向量机集成 | 第45-46页 |
| 5.2.1 多类支持向量机差异性度量 | 第45-46页 |
| 5.2.2 多类支持向量机选择性集成 | 第46页 |
| 5.3 实验研究与分析 | 第46-50页 |
| 5.3.1 多类问题差异性研究 | 第47-48页 |
| 5.3.2 多类选择性集成研究 | 第48-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-52页 |
| 6.1 本文总结 | 第51页 |
| 6.2 工作展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
| 攻读硕士学位期间发表论文情况 | 第56页 |