基于抽样的集成进化算法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 集成学习的研究现状 | 第11-12页 |
| 1.3 集成学习存在的难题 | 第12-13页 |
| 1.4 论文的研究内容和组织结构 | 第13-15页 |
| 1.4.1 论文的研究内容 | 第13页 |
| 1.4.2 论文的组织结构 | 第13-15页 |
| 第二章 集成学习 | 第15-24页 |
| 2.1 集成学习 | 第15-17页 |
| 2.1.1 分类 | 第15页 |
| 2.1.2 集成学习的概念 | 第15页 |
| 2.1.3 集成学习的定义 | 第15-17页 |
| 2.2 集成学习的主要算法介绍 | 第17-22页 |
| 2.2.1 Boosting算法 | 第17-21页 |
| 2.2.1.1 Boosting算法的提出 | 第17页 |
| 2.2.1.2 Boosting算法描述 | 第17-18页 |
| 2.2.1.3 Boosting算法理论分析 | 第18页 |
| 2.2.1.4 AdaBoost算法 | 第18-21页 |
| 2.2.2 Bagging算法 | 第21-22页 |
| 2.2.2.1 Bagging算法 | 第21页 |
| 2.2.2.2 Bagging算法描述 | 第21-22页 |
| 2.3 集成学习的不足 | 第22-23页 |
| 2.3.1 集成学习算法的不足 | 第22-23页 |
| 2.3.2 集成学习发展方向 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 限制输出模型规模的集成进化分类算法 | 第24-36页 |
| 3.1 遗传算法 | 第24-26页 |
| 3.1.1 遗传算法描述 | 第25-26页 |
| 3.1.2 遗传算法特点 | 第26页 |
| 3.2 一种限制输出模型规模的集成进化分类算法 | 第26-31页 |
| 3.2.1 算法描述 | 第27-30页 |
| 3.2.1.1 初始化种群 | 第27-28页 |
| 3.2.1.2 进化操作 | 第28-29页 |
| 3.2.1.3 适应度函数 | 第29-30页 |
| 3.2.2 算法流程 | 第30-31页 |
| 3.3 实验结果及分析 | 第31-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于一致性抽样的集成进化算法 | 第36-48页 |
| 4.1 引言 | 第36页 |
| 4.2 基于一致性抽样的集成进化算法 | 第36-41页 |
| 4.2.1 算法主要思想 | 第37页 |
| 4.2.2 抽样过程 | 第37-39页 |
| 4.2.2.1 样本一致性计算 | 第38-39页 |
| 4.2.2.2 抽样概率 | 第39页 |
| 4.2.3 算法描述 | 第39-41页 |
| 4.3 实验结果及分析 | 第41-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 总结和展望 | 第48-50页 |
| 5.1 工作总结 | 第48页 |
| 5.2 工作展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
| 攻读硕士学位期间发表的学术论文 | 第55页 |
