| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第6-11页 |
| 1.1 引言 | 第6-7页 |
| 1.2 机器学习 | 第7-8页 |
| 1.3 多模型融合学习 | 第8-9页 |
| 1.4 多模型融合学习的相关应用 | 第9-10页 |
| 1.5 本文的工作 | 第10-11页 |
| 第二章 基于多模型融合学习的品牌推荐系统 | 第11-32页 |
| 2.1 引言 | 第11页 |
| 2.2 相关工作 | 第11-15页 |
| 2.3 多模型融合学习算法框架 | 第15-19页 |
| 2.4 实验 | 第19-31页 |
| 2.5 小结 | 第31-32页 |
| 第三章 基于多模型融合学习的股票推荐方法 | 第32-46页 |
| 3.1 引言 | 第32-33页 |
| 3.2 相关工作 | 第33-35页 |
| 3.3 基于不同类型股票数据和模型的多模型融合学习框架 | 第35-40页 |
| 3.4 实验 | 第40-44页 |
| 3.5 小结 | 第44-46页 |
| 第四章 基于多模型融合的机器人路标探索策略 | 第46-56页 |
| 4.1 引言 | 第46-47页 |
| 4.2 相关工作 | 第47-50页 |
| 4.3 融合全局位置估计与卡尔曼滤波的机器人路标探索策略 | 第50-52页 |
| 4.4 实验 | 第52-55页 |
| 4.5 小结 | 第55-56页 |
| 第五章 结束语 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-65页 |
| 附录 | 第65-66页 |