基于样本选择的近邻分类算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状概述 | 第12-16页 |
| 1.2.1 样本选择算法的研究现状 | 第12-14页 |
| 1.2.2 近邻分类算法研究现状 | 第14-16页 |
| 1.3 本文研究内容 | 第16-17页 |
| 1.4 本文的组织结构 | 第17-19页 |
| 第二章 基于样本选择的近邻分类 | 第19-30页 |
| 2.1 近邻分类 | 第19-23页 |
| 2.1.1 K-近邻准则分类 | 第19-20页 |
| 2.1.2 伪最近邻分类 | 第20-23页 |
| 2.2 样本选择 | 第23-26页 |
| 2.2.1 样本选择简介 | 第23-25页 |
| 2.2.2 样本选择的分类 | 第25-26页 |
| 2.3 样本选择与近邻分类 | 第26-29页 |
| 2.3.1 CNN算法 | 第26-27页 |
| 2.3.2 ENN算法 | 第27-28页 |
| 2.3.3 MCS算法 | 第28页 |
| 2.3.4 FCNN算法 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 融合互近邻的样本选择算法设计 | 第30-37页 |
| 3.1 引言 | 第30页 |
| 3.2 互近邻原理 | 第30-32页 |
| 3.3 融合互近邻的样本选择算法 | 第32-33页 |
| 3.4 实验设计及结果分析 | 第33-36页 |
| 3.4.1 实验数据的选取及实验过程设计 | 第33-34页 |
| 3.4.2 不同算法的对比实验 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于BP神经网络的自适应伪最近邻分类 | 第37-54页 |
| 4.1 引言 | 第37-38页 |
| 4.2 BP神经网络原理 | 第38-45页 |
| 4.2.1 BP神经网络模型结构 | 第38-41页 |
| 4.2.2 反向传播算法 | 第41-44页 |
| 4.2.3 BP神经网络的结构选择 | 第44-45页 |
| 4.3 基于BP神经网络的伪最近邻分类算法 | 第45-50页 |
| 4.3.1 BPANN模型的参数设置 | 第46-47页 |
| 4.3.2 BPANN算法设计 | 第47-50页 |
| 4.4 实验设计与结果分析 | 第50-53页 |
| 4.4.1 实验数据的选取与实验过程设计 | 第50-51页 |
| 4.4.2 不同算法的实验对比 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 结合局部均值的伪最近邻分类 | 第54-67页 |
| 5.1 引言 | 第54-55页 |
| 5.2 基于局部均值的近邻分类 | 第55-57页 |
| 5.3 传统近邻分类的不足 | 第57-58页 |
| 5.4 结合局部均值的伪最近邻分类 | 第58-63页 |
| 5.4.1 LMPNN算法设计 | 第58-60页 |
| 5.4.2 LMPNN与LMKNN、PNN比较 | 第60-63页 |
| 5.5 实验结果与分析 | 第63-66页 |
| 5.5.1 数据集简介 | 第63-64页 |
| 5.5.2 不同算法的对比实验 | 第64-66页 |
| 5.6 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 主要工作及结论 | 第67-68页 |
| 6.2 研究展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间的研究成果 | 第74-75页 |
