基于影响函数的分类算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景与现状 | 第9-11页 |
| 1.2 本文的主要贡献 | 第11页 |
| 1.3 本文的组织架构 | 第11-13页 |
| 2 背景知识 | 第13-24页 |
| 2.1 影响函数 | 第13-14页 |
| 2.2 分类方法 | 第14-15页 |
| 2.3 决策树 | 第15-16页 |
| 2.4 支持向量机 | 第16-20页 |
| 2.5 人工神经网络 | 第20-21页 |
| 2.6 朴素贝叶斯分类方法 | 第21-23页 |
| 2.6.1 贝叶斯公式 | 第21-22页 |
| 2.6.2 极大后验假设 | 第22页 |
| 2.6.3 朴素贝叶斯分类器 | 第22-23页 |
| 2.7 本章小结 | 第23-24页 |
| 3 影响函数的设计 | 第24-28页 |
| 3.1 影响函数分类的思想 | 第24-25页 |
| 3.2 影响函数的定义 | 第25-27页 |
| 3.2.1 线性影响函数 | 第25-26页 |
| 3.2.2 平方影响函数 | 第26页 |
| 3.2.3 指数影响函数 | 第26页 |
| 3.2.4 引力影响函数 | 第26-27页 |
| 3.3 本章小结 | 第27-28页 |
| 4 基于影响函数的分类算法 | 第28-33页 |
| 4.1 算法思想 | 第28-30页 |
| 4.2 算法描述 | 第30-32页 |
| 4.3 本章小结 | 第32-33页 |
| 5 实验 | 第33-49页 |
| 5.1 实验数据 | 第33页 |
| 5.2 实验设置 | 第33页 |
| 5.3 实验结果与分析 | 第33-47页 |
| 5.3.1 参数值的学习 | 第34-39页 |
| 5.3.2 与其他分类算法的对比 | 第39-47页 |
| 5.4 本章小结 | 第47-49页 |
| 6 总结与展望 | 第49-51页 |
| 6.1 总结 | 第49页 |
| 6.2 下一步工作 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 个人简介 | 第56页 |
| 1 个人简历 | 第56页 |
| 2 发表的学术论文及著作权 | 第56页 |
