首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--自动推理、机器学习论文

面向大规模数据集的相关向量机分类算法研究与应用

摘要第4-6页
Abstract第6-7页
第1章 绪论第11-19页
    1.1 研究背景及意义第11-13页
    1.2 国内外研究现状第13-16页
        1.2.1 RVM大规模样本训练的研究现状第13-14页
        1.2.2 集成学习的研究现状第14-15页
        1.2.3 粒度计算的研究现状第15-16页
    1.3 研究内容和组织结构第16-19页
        1.3.1 本文的研究内容第16-17页
        1.3.2 本文的组织结构第17-19页
第2章 基本理论与相关技术第19-33页
    2.1 相关向量机第19-22页
        2.1.1 RVM模型设计第19-21页
        2.1.2 RVM分类模型第21-22页
    2.2 集成学习第22-25页
        2.2.1 AdaBoost算法模型第22-23页
        2.2.2 Discrete AdaBoost算法第23-24页
        2.2.3 Gentle AdaBoost算法第24-25页
    2.3 粒度计算第25-27页
        2.3.1 粒度计算概述第25页
        2.3.2 粒度计算模型第25-27页
    2.4 Spark分布式计算平台第27-32页
        2.4.1 Spark平台组织结构第27-31页
        2.4.2 弹性分布式数据集第31-32页
    2.5 本章小结第32-33页
第3章 基于均衡数据集的RVM分类算法第33-48页
    3.1 算法框架第33-34页
    3.2 Discrete-AdaBoost-RVM算法第34-37页
    3.3 Gentle-AdaBoost-RVM算法第37-39页
    3.4 实验设计第39-47页
        3.4.1 实验环境与实验数据集第39页
        3.4.2 模型评估参数第39-41页
        3.4.3 实验结果与分析第41-47页
    3.5 本章小结第47-48页
第4章 基于非均衡数据集的RVM分类算法第48-60页
    4.1 算法框架第49-50页
    4.2 RV-GranularBoost-RVM算法第50-52页
    4.3 KMeans-GranularBoost-RVM算法第52-54页
    4.4 实验设计第54-59页
        4.4.1 实验环境与实验数据集第54-55页
        4.4.2 实验结果与分析第55-59页
    4.5 本章小结第59-60页
第5章 基于RGB-RVM和KGB-RVM的桥梁裂缝损伤识别第60-68页
    5.1 前言第60-61页
    5.2 基于光纤光栅的桥梁健康与安全监测系统第61-64页
        5.2.1 光纤光栅传感系统第61-62页
        5.2.2 系统结构与实现第62-64页
    5.3 加速度传感数据损伤识别模型第64-65页
    5.4 实验结果与分析第65-67页
    5.5 本章小结第67-68页
第6章 总结与展望第68-70页
    6.1 总结第68-69页
    6.2 展望第69-70页
致谢第70-71页
参考文献第71-75页
在读期间取得的学术成果第75页
在读期间参与的基金和项目第75页

论文共75页,点击 下载论文
上一篇:基于改进多尺度核函数的光纤传感信号预测研究
下一篇:基于扰动的SDN网络负载均衡路由与流量调度算法研究