| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 多标记学习概况 | 第12-15页 |
| 1.3.1 多标记学习的发展 | 第12-13页 |
| 1.3.2 相关应用 | 第13-14页 |
| 1.3.3 多标记学习技术在食用植物油检测中的应用 | 第14-15页 |
| 1.4 选题的目的和意义 | 第15页 |
| 1.5 本文的主要工作和章节安排 | 第15-17页 |
| 第二章 食用植物油色谱信息的采集及处理 | 第17-24页 |
| 2.1 食用植物油色谱信息采集 | 第17-21页 |
| 2.1.1 甘油三酸酯具有种类特征 | 第17-18页 |
| 2.1.2 高效液相色谱法分离 | 第18-21页 |
| 2.2 数据特征信息的提取 | 第21-23页 |
| 2.3 小结 | 第23-24页 |
| 第三章 基于kNN算法和SVM算法的食用植物油检测 | 第24-37页 |
| 3.1 模式识别概述 | 第24-26页 |
| 3.2 kNN分类器 | 第26-29页 |
| 3.2.1 模型 | 第26-27页 |
| 3.2.2 距离度量 | 第27页 |
| 3.2.3 k值的选择 | 第27页 |
| 3.2.4 分类决策规则 | 第27-28页 |
| 3.2.5 算法步骤 | 第28-29页 |
| 3.3 基于kNN算法的食用植物油检测 | 第29页 |
| 3.4 支持向量机 | 第29-35页 |
| 3.4.1 基本原理 | 第30页 |
| 3.4.2 线性可分问题 | 第30-31页 |
| 3.4.3 线性不可分问题 | 第31-33页 |
| 3.4.4 相关参数 | 第33页 |
| 3.4.5 多类分类问题 | 第33-35页 |
| 3.5 基于SVM的食用植物油检测 | 第35-36页 |
| 3.6 小结 | 第36-37页 |
| 第四章 基于排序支持向量机的食用植物油检测的分类器设计 | 第37-46页 |
| 4.1 多标记学习 | 第37-39页 |
| 4.1.1 多标记学习结构 | 第37-38页 |
| 4.1.2 评价指标 | 第38-39页 |
| 4.2 AdaBoost RMH算法 | 第39-40页 |
| 4.3 多标记学习矢量量化算法 | 第40-41页 |
| 4.4 排序支持向量机 | 第41-43页 |
| 4.5 基于多标记的食用植物油鉴别工作流程 | 第43-45页 |
| 4.5.1 弱分类器设计 | 第44页 |
| 4.5.2 排序支持向量机分类器设计 | 第44-45页 |
| 4.6 小结 | 第45-46页 |
| 第五章 基于多标记学习的食用植物油检测的实验及结果分析 | 第46-52页 |
| 5.1 训练系统 | 第46-47页 |
| 5.2 测试系统 | 第47-49页 |
| 5.3 实验 | 第49-51页 |
| 5.4 小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 工作总结 | 第52-53页 |
| 6.2 下步工作计划 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 个人简历 | 第59页 |
