| 中文摘要 | 第8-10页 |
| 英文摘要 | 第10-12页 |
| 第一章 绪论 | 第13-27页 |
| 1.1 选题背景和研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-24页 |
| 1.2.1 基于数据划分的加速学习算法 | 第14-17页 |
| 1.2.2 基于数据压缩的加速学习算法 | 第17-24页 |
| 1.3 本文的研究内容和组织框架 | 第24-27页 |
| 第二章 基于局部信息的SVM加速算法 | 第27-47页 |
| 2.1 问题描述 | 第27-28页 |
| 2.2 相关概念 | 第28-29页 |
| 2.3 基于局部信息的SVM加速算法 | 第29-35页 |
| 2.3.1 基于线性投影的数据划分 | 第30-34页 |
| 2.3.2 相关参数值的确定 | 第34页 |
| 2.3.3 时间复杂度分析 | 第34-35页 |
| 2.4 实验分析 | 第35-45页 |
| 2.5 本章小结 | 第45-47页 |
| 第三章 基于K-means聚类的k-近邻分类加速算法 | 第47-67页 |
| 3.1 问题描述 | 第47-48页 |
| 3.2 相关概念 | 第48页 |
| 3.3 基于数据划分k-近邻分类加速算法的机理分析 | 第48-51页 |
| 3.3.1 问题的转化 | 第48-49页 |
| 3.3.2 数据划分影响的估计 | 第49-51页 |
| 3.4 基于K-means聚类的k-近邻分类加速算法 | 第51-52页 |
| 3.5 实验分析 | 第52-65页 |
| 3.6 本章小结 | 第65-67页 |
| 第四章 基于分层抽样的k-近邻分类加速算法 | 第67-79页 |
| 4.1 问题描述 | 第67-68页 |
| 4.2 基于分层抽样的k-近邻分类加速算法 | 第68-70页 |
| 4.2.1 训练集的分层 | 第68-69页 |
| 4.2.2 样本集的获取 | 第69页 |
| 4.2.3 待识别实例的预测 | 第69-70页 |
| 4.3 实验分析 | 第70-78页 |
| 4.4 本章小结 | 第78-79页 |
| 第五章 基于实例选择的k-近邻回归加速算法 | 第79-93页 |
| 5.1 问题描述 | 第79-80页 |
| 5.2 相关概念 | 第80页 |
| 5.3 递减的实例选择算法 | 第80-84页 |
| 5.3.1 识别并移除异常实例 | 第80-81页 |
| 5.3.2 识别并移除冗余实例 | 第81-83页 |
| 5.3.3 相关参数值的确定 | 第83-84页 |
| 5.4 实验分析 | 第84-91页 |
| 5.5 本章小结 | 第91-93页 |
| 第六章 基于按需抽样的Logistic回归加速算法 | 第93-105页 |
| 6.1 问题描述 | 第93-94页 |
| 6.2 相关概念 | 第94-95页 |
| 6.3 基于按需抽样的Logistic回归加速算法 | 第95-101页 |
| 6.3.1 样本量自适应确定的按需抽样 | 第95-97页 |
| 6.3.2 按需抽样有效性的理论性分析 | 第97-101页 |
| 6.4 实验分析 | 第101-104页 |
| 6.5 本章小结 | 第104-105页 |
| 第七章 结论与展望 | 第105-107页 |
| 参考文献 | 第107-119页 |
| 攻读博士学位期间取得的研究成果 | 第119-121页 |
| 致谢 | 第121-123页 |
| 个人简况及联系方式 | 第123-126页 |
