机器学习和神经网络学习中的若干问题研究
| 摘要 | 第1-5页 |
| Abstract | 第5-13页 |
| 主要符号表 | 第13-14页 |
| 1 绪论 | 第14-20页 |
| ·数据预处理和特征选择 | 第14-15页 |
| ·神经网络结构优化 | 第15-17页 |
| ·快速学习机 | 第17-18页 |
| ·样本学习的泛化界 | 第18-19页 |
| ·本文的主要工作 | 第19-20页 |
| 2 基于粗糙集的样本属性约简 | 第20-30页 |
| ·背景知识 | 第20-24页 |
| ·信息系统和粗糙集 | 第20-22页 |
| ·分辨矩阵和属性约简 | 第22-24页 |
| ·基于集合基本运算的属性约简算法 | 第24-28页 |
| ·转换策略和属性约简算法 | 第24-25页 |
| ·实例分析 | 第25-28页 |
| ·数值实验 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 3 线性感知机二进制输出的等价性 | 第30-44页 |
| ·线性感知机和线性可分性 | 第30-33页 |
| ·正六面体顶点的分类问题 | 第33-34页 |
| ·主要结果的证明 | 第34-39页 |
| ·数值实验 | 第39-43页 |
| ·基本平面的可学习性 | 第40-42页 |
| ·四分类人工数据集 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 4 双并联快速学习机 | 第44-58页 |
| ·背景介绍 | 第44-45页 |
| ·双并联快速学习机 | 第45-49页 |
| ·在线双并联快速学习机 | 第49-51页 |
| ·数值实验 | 第51-57页 |
| ·本章小结 | 第57-58页 |
| 5 非独立同分布样本学习的泛化界 | 第58-70页 |
| ·问题设定 | 第58-61页 |
| ·ERM准则和泛化界 | 第58-60页 |
| ·泛化界和一些时间相关问题的关系 | 第60-61页 |
| ·泛化性能分析的框架 | 第61-63页 |
| ·相关量的分析 | 第63-69页 |
| ·Φ_1的上界 | 第63页 |
| ·Φ_2的上界 | 第63-64页 |
| ·Φ_3的上界 | 第64页 |
| ·Φ_4的上界 | 第64-69页 |
| ·本章小结 | 第69-70页 |
| 6 结论与展望 | 第70-72页 |
| 结论 | 第70页 |
| 创新点 | 第70-71页 |
| 展望 | 第71-72页 |
| 参考文献 | 第72-80页 |
| 攻读博士学位期间科研项目及科研成果 | 第80-81页 |
| 致谢 | 第81-84页 |
| 作者简介 | 第84页 |
