| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-10页 |
| ·课题提出的背景及意义 | 第7页 |
| ·课题研究现状 | 第7-9页 |
| ·本文主要工作与结构安排 | 第9-10页 |
| 2 多分类方法综述 | 第10-20页 |
| ·直接扩展到多类的算法 | 第10-11页 |
| ·神经网络 | 第10页 |
| ·决策树 | 第10-11页 |
| ·朴素贝叶斯 | 第11页 |
| ·支持向量机 | 第11页 |
| ·分解方法 | 第11-17页 |
| ·"一对多"方法 | 第12-13页 |
| ·"一对一"方法 | 第13页 |
| ·纠错输出编码法 | 第13-14页 |
| ·层次方法 | 第14-17页 |
| ·有向无环图(DAG) | 第15-16页 |
| ·有向二叉树 | 第16-17页 |
| ·组合方式 | 第17-18页 |
| ·其它方法 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 3 主动学习 | 第20-26页 |
| ·主动学习询问策略 | 第21-24页 |
| ·基于不确定性(uncertainty)的方法 | 第21-22页 |
| ·Query-By-Committee | 第22页 |
| ·Query-By-Bagging | 第22-23页 |
| ·基于误差缩减的方法 | 第23-24页 |
| ·初始样本选择方法 | 第24页 |
| ·本章小结 | 第24-26页 |
| 4 基于GBT模型的不确定性多分类主动学习算法 | 第26-42页 |
| ·Generalized Bradley-Terry Model | 第27-28页 |
| ·多分类概率估计 | 第28-30页 |
| ·实验与结果 | 第30-40页 |
| ·基分类器的选择 | 第31-34页 |
| ·支持向量机 | 第31-32页 |
| ·分类器参数的选择 | 第32-33页 |
| ·分类器性能评价方法 | 第33-34页 |
| ·模拟数据实验 | 第34-40页 |
| ·模拟数据 | 第34-36页 |
| ·数据归一化处理 | 第36页 |
| ·SVM多分类监督学习实验 | 第36-37页 |
| ·SVM多分类主动学习实验 | 第37-40页 |
| ·本章小结 | 第40-42页 |
| 5 地表数据实验 | 第42-51页 |
| ·地表数据 | 第42-43页 |
| ·特征提取 | 第43-47页 |
| ·颜色特征 | 第44-45页 |
| ·纹理特征 | 第45-47页 |
| ·SVM多分类监督学习实验 | 第47页 |
| ·SVM多分类主动学习实验 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 6 总结 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |