首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

判别分析的高效在线增量学习算法研究

摘要第2-3页
Abstract第3页
1 绪论第7-11页
    1.1 研究背景第7-8页
    1.2 国内外研究现状分析第8-9页
    1.3 本文的研究内容及创新点第9-10页
    1.4 本文的结构安排第10-11页
2 相关知识介绍第11-23页
    2.1 小样本学习第11-12页
    2.2 线性判别分析第12-14页
        2.2.1 概述第12页
        2.2.2 线性判别分析算法推导第12-14页
    2.3 基于零空间的线性判别分析第14-20页
        2.3.1 算法介绍第14-16页
        2.3.2 高效的零空间线性判别分析算法第16-20页
    2.4 K最近邻第20-22页
    2.5 本章小结第22-23页
3 基于属性的判别分析零样本增量学习第23-36页
    3.1 基于NLDA/QR的增量学习第23-26页
        3.1.1 加入已知类的新样本第24-25页
        3.1.2 加入新类第25-26页
    3.2 零样本学习第26-29页
        3.2.1 属性学习第27-28页
        3.2.2 基于间接属性预测模型的零样本学习第28-29页
    3.3 基于NLDA/QR和属性的零样本增量学习第29-33页
        3.3.1 批量算法第30页
        3.3.2 增加新类的零样本学习模型第30-31页
        3.3.3 增加已知类新样本的零样本学习模型第31-32页
        3.3.4 长期的在线增量学习第32-33页
    3.4 实验分析第33-35页
        3.4.1 加入新类第33-34页
        3.4.2 加入已知类的新样本第34-35页
    3.5 本章小结第35-36页
4 线性判别分析的快速在线增量学习第36-49页
    4.1 批量算法第36-37页
    4.2 增量算法第37-42页
        4.2.1 加入已知类的新样本第38-39页
        4.2.2 加入新类第39-40页
        4.2.3 加入已知标签的混合数据第40-42页
    4.3 算法复杂度分析第42-44页
    4.4 实验分析第44-48页
        4.4.1 批量算法的比较第44-45页
        4.4.2 增加已知类的新样本第45-46页
        4.4.3 增加新类第46-47页
        4.4.4 已知标签的混合数据第47-48页
    4.5 本章小结第48-49页
5 免分解的核判别分析在线增量学习第49-60页
    5.1 批量算法第49-50页
    5.2 增量算法第50-54页
        5.2.1 加入已知类新样本第51页
        5.2.2 加入新类第51-52页
        5.2.3 加入已知标签的混合数据第52页
        5.2.4 加入不知标签的混合数据第52-54页
    5.3 算法复杂度分析第54-55页
        5.3.1 批量算法的复杂度比较第54-55页
        5.3.2 增量算法的复杂度比较第55页
    5.4 实验结果第55-59页
        5.4.1 加入新类第56-57页
        5.4.2 加入混合数据第57-58页
        5.4.3 新类检测第58-59页
    5.5 本章小结第59-60页
结论第60-61页
参考文献第61-68页
附录A 全文符号说明第68-69页
攻读硕士学位期间发表学术论文情况第69-70页
致谢第70-72页

论文共72页,点击 下载论文
上一篇:手机自助点餐系统的设计与实现
下一篇:艾滋病临床信息管理系统的设计与实现