首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于特征选择的嵌入空间多示例学习算法研究

摘要第4-6页
Abstract第6-8页
第1章 绪论第15-31页
    1.1 课题研究的背景和意义第15-16页
    1.2 多示例学习的研究现状第16-26页
        1.2.1 示例级空间多示例学习算法第17-21页
        1.2.2 包级空间多示例学习算法第21-24页
        1.2.3 嵌入空间多示例学习算法第24-26页
    1.3 课题拟解决的主要问题第26-27页
    1.4 论文的研究内容和组织结构第27-31页
第2章 嵌入空间算法特征映射方式的对比研究及改进的MILES算法第31-46页
    2.1 引言第31-32页
    2.2 包级特征与支持向量机组合的本质目的第32-35页
        2.2.1 基本概念第32-33页
        2.2.2 相似性特征与线性支持向量机组合第33页
        2.2.3 距离特征与非线性支持向量机组合第33-34页
        2.2.4 分析与讨论第34-35页
    2.3 采用距离特征非线性支持向量机映射方式的MILES算法第35-38页
        2.3.1 基本MILES算法第35-36页
        2.3.2 距离特征非线性支持向量机映射方式的MILES算法第36-38页
    2.4 实验数据和设置第38-40页
    2.5 实验结果及分析第40-44页
        2.5.1 分类准确率第40-42页
        2.5.2 运行时间第42-44页
        2.5.3 噪声敏感性第44页
    2.6 本章小结第44-46页
第3章 嵌入空间算法特征选择方法的对比研究第46-58页
    3.1 引言第46-47页
    3.2 嵌入空间算法的分类与对比分析第47-53页
        3.2.1 基于过滤型特征选择的算法第47-50页
        3.2.2 基于嵌入型特征选择的算法第50-53页
    3.3 实验结果及分析第53-56页
        3.3.1 分类准确率第53-54页
        3.3.2 运行时间第54-55页
        3.3.3 噪声敏感性第55-56页
    3.4 本章小结第56-58页
第4章 基于贪心获取特征子集的嵌入空间算法第58-75页
    4.1 引言第58-59页
    4.2 贪心的特征子集获取方法第59-61页
    4.3 贪心获取特征子集的嵌入空间算法第61-67页
        4.3.1 MILD-G:贪心的MILD算法第61-63页
        4.3.2 MILES-DG-G:贪心的MILES-DG算法第63-64页
        4.3.3 MILF:结合贪心方法和F-score技术的嵌入空间算法第64-67页
    4.4 实验结果及分析第67-74页
        4.4.1 MILD-G算法的实验分析第67-69页
        4.4.2 MILES-DG-G算法的实验分析第69-71页
        4.4.3 MILF算法的实验分析第71-74页
    4.5 本章小结第74-75页
第5章 示例选择方法泛化能力增强的MILD算法第75-95页
    5.1 引言第75-76页
    5.2 原始算法第76-81页
        5.2.1 正示例的性质第76-78页
        5.2.2 示例选择方法第78-80页
        5.2.3 包级分类器设计第80-81页
        5.2.4 分析与讨论第81页
    5.3 基于交叉验证示例选择的MILD算法第81-84页
    5.4 实验结果及分析第84-94页
        5.4.1 药物活性预测第84-87页
        5.4.2 自动图像标注第87-90页
        5.4.3 基于区域的图像分类第90-92页
        5.4.4 示例原型数对分类性能的影响第92-93页
        5.4.5 交叉验证折数对分类性能的影响第93-94页
    5.5 本章小结第94-95页
第6章 基于包内成对示例相似性的嵌入空间算法第95-105页
    6.1 利用相似性进行选择示例的动机第95-97页
    6.2 基于成对相似性的嵌入空间算法第97-99页
    6.3 实验结果及分析第99-103页
        6.3.1 分类准确率第99-100页
        6.3.2 运行时间第100-102页
        6.3.3 整体性能第102-103页
        6.3.4 噪声敏感性第103页
    6.4 本章小结第103-105页
结论第105-107页
参考文献第107-118页
攻读博士学位期间发表的论文及其他成果第118-120页
致谢第120-121页
个人简历第121页

论文共121页,点击 下载论文
上一篇:面向PACS系统的图像增强和图像加密算法研究
下一篇:机械牵拉对角膜成纤维细胞增殖、迁移及基质代谢影响的体外实验研究