鲁棒的大间隔分类学习方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-30页 |
| 1.1 课题背景及研究意义 | 第14-15页 |
| 1.1.1 课题来源 | 第14页 |
| 1.1.2 课题目的及研究意义 | 第14-15页 |
| 1.2 大间隔分类学习方法的研究现状 | 第15-21页 |
| 1.2.1 基于间隔的特征选择研究现状 | 第15-18页 |
| 1.2.2 基于间隔的分类学习方法研究现状 | 第18-20页 |
| 1.2.3 基于间隔的集成学习研究现状 | 第20-21页 |
| 1.3 噪声的类型和噪声检测方法的研究现状 | 第21-26页 |
| 1.3.1 噪声的类型和特性 | 第21-24页 |
| 1.3.2 噪声检测方法研究现状 | 第24-26页 |
| 1.4 抗噪学习模型的研究现状 | 第26-27页 |
| 1.5 论文的主要研究内容与结构安排 | 第27-30页 |
| 第2章 基于鲁棒的间隔统计量的特征选择方法 | 第30-48页 |
| 2.1 引言 | 第30页 |
| 2.2 假设间隔及其泛化界 | 第30-31页 |
| 2.3 基于间隔的近邻特征权学习算法 | 第31-33页 |
| 2.4 鲁棒的间隔统计量与特征权学习 | 第33-39页 |
| 2.4.1 特征评估准则 | 第34-36页 |
| 2.4.2 特征评估准则分析 | 第36-37页 |
| 2.4.3 特征权学习和算法 | 第37-39页 |
| 2.5 实验和分析 | 第39-47页 |
| 2.5.1 实验设置 | 第39-40页 |
| 2.5.2 实验结果 | 第40-46页 |
| 2.5.3 实验结论 | 第46-47页 |
| 2.6 本章小结 | 第47-48页 |
| 第3章 基于鲁棒的间隔损失的特征选择方法 | 第48-67页 |
| 3.1 引言 | 第48页 |
| 3.2 相关研究 | 第48-52页 |
| 3.2.1 LASSO系列算法 | 第48-49页 |
| 3.2.2 SVM-RFE系列算法 | 第49-52页 |
| 3.3 鲁棒的损失函数和特征权值学习 | 第52-59页 |
| 3.3.1 鲁棒的损失函数 | 第52-54页 |
| 3.3.2 基于鲁棒的间隔损失的特征权值学习 | 第54-59页 |
| 3.4 实验分析 | 第59-65页 |
| 3.4.1 实验方法和参数设置 | 第59-60页 |
| 3.4.2 实验结果分析 | 第60-64页 |
| 3.4.3 实验结论 | 第64-65页 |
| 3.5 本章小结 | 第65-67页 |
| 第4章 基于光滑截断损失的鲁棒的支持向量机分类 | 第67-85页 |
| 4.1 引言 | 第67页 |
| 4.2 相关研究 | 第67-73页 |
| 4.2.1 硬间隔SVM分类模型 | 第67-69页 |
| 4.2.2 软间隔SVM分类模型 | 第69-71页 |
| 4.2.3 鲁棒的SVM分类模型 | 第71-73页 |
| 4.3 基于光滑截断损失的鲁棒的SVM学习 | 第73-79页 |
| 4.3.1 光滑截断损失函数 | 第73-74页 |
| 4.3.2 凹凸包过程 | 第74-76页 |
| 4.3.3 牛顿优化过程 | 第76-79页 |
| 4.4 实验分析 | 第79-84页 |
| 4.5 本章小结 | 第84-85页 |
| 第5章 基于间隔的鲁棒的分类集成学习及其应用 | 第85-100页 |
| 5.1 引言 | 第85页 |
| 5.2 分类集成学习模型 | 第85-91页 |
| 5.2.1 差异性基分类器的构建方法 | 第87-89页 |
| 5.2.2 基模型的融合方法 | 第89-91页 |
| 5.3 基于间隔分布的基分类器权学习 | 第91-93页 |
| 5.4 鲁棒的分类集成模型 | 第93-95页 |
| 5.5 实验分析 | 第95-99页 |
| 5.5.1 燃气轮机燃烧系统故障数据描述 | 第95-97页 |
| 5.5.2 实验结果分析 | 第97-99页 |
| 5.6 本章小结 | 第99-100页 |
| 结论 | 第100-102页 |
| 参考文献 | 第102-113页 |
| 攻读博士学位期间发表的论文及其他成果 | 第113-115页 |
| 致谢 | 第115-116页 |
| 个人简历 | 第116页 |
