基于集成学习模式的Boost-SVM算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-11页 |
| ·本课题的研究背景和意义 | 第8页 |
| ·研究发展现状 | 第8-9页 |
| ·本文的主要工作 | 第9-10页 |
| ·本文的内容安排 | 第10页 |
| ·本章小结 | 第10-11页 |
| 第二章 集成学习和Adaboost 算法 | 第11-21页 |
| ·集成学习的理论基础 | 第11-13页 |
| ·集成学习的起源 | 第11页 |
| ·集成学习基本概念 | 第11-12页 |
| ·集成学习的构成 | 第12-13页 |
| ·集成学习的作用 | 第13页 |
| ·集成学习算法 | 第13-15页 |
| ·Boosting 算法概述 | 第15-16页 |
| ·Adaboost 算法原理及分析 | 第16-20页 |
| ·Adaboost 算法原理 | 第16-18页 |
| ·Adaboost 算法分析 | 第18-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 支持向量机 | 第21-29页 |
| ·统计学习理论的核心内容 | 第21-23页 |
| ·VC 维 | 第21页 |
| ·推广性的界 | 第21-22页 |
| ·结构风险最小化 | 第22-23页 |
| ·支持向量机 | 第23-26页 |
| ·广义最优分类面 | 第23-26页 |
| ·核函数 | 第26页 |
| ·SVM 方法的特点 | 第26-27页 |
| ·SVM 解决实际问题的基本步骤 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第四章 Boost-SVM 优化算法设计 | 第29-35页 |
| ·Boost-SVM 算法设计 | 第29-30页 |
| ·应用Boost-SVM 算法解决两类分类问题 | 第30-32页 |
| ·应用Boost-SVM 算法解决多类分类问题 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第五章 实验结果与分析 | 第35-38页 |
| ·实验数据的介绍 | 第35页 |
| ·Boost-SVM 的实验过程 | 第35-36页 |
| ·实验结果 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第六章 总结与展望 | 第38-39页 |
| ·总结 | 第38页 |
| ·展望 | 第38-39页 |
| 参考文献 | 第39-41页 |
| 致谢 | 第41-42页 |
| 附录 A 攻读硕士期间发表的文章和参加的项目 | 第42页 |
