基于增量学习和特征选择融合的可视化模式识别方法
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 相关领域的国内外研究现状 | 第11-14页 |
| 1.2.1 增量学习研究现状 | 第11-12页 |
| 1.2.2 特征选择研究现状 | 第12-13页 |
| 1.2.3 形式概念分析研究现状 | 第13-14页 |
| 1.3 本文的主要研究内容 | 第14-16页 |
| 第2章 相关理论知识 | 第16-25页 |
| 2.1 数据粒化 | 第16-17页 |
| 2.2 属性偏序相关理论 | 第17-20页 |
| 2.2.1 形式背景与概念 | 第17页 |
| 2.2.2 特征属性概念 | 第17-18页 |
| 2.2.3 属性偏序结构图生成方法 | 第18-20页 |
| 2.3 增量学习覆盖理论 | 第20-21页 |
| 2.4 规则提取 | 第21-24页 |
| 2.4.1 模式规则提取相关定义 | 第21-22页 |
| 2.4.2 规则提取可视化 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 属性偏序结构图的生成与优化 | 第25-40页 |
| 3.1 引言 | 第25页 |
| 3.2 数据预处理 | 第25-30页 |
| 3.2.1 基于最小基尼指数的粒化算法 | 第25-27页 |
| 3.2.2 混合数据预处理方法 | 第27-28页 |
| 3.2.3 粒化方法的模式识别验证 | 第28-30页 |
| 3.3 属性偏序结构图生成 | 第30-39页 |
| 3.3.1 基于CGAO的形式背景优化 | 第30页 |
| 3.3.2 基尼指数计算 | 第30-31页 |
| 3.3.3 基于CGAO的计算 | 第31页 |
| 3.3.4 基于CGAO的形式背景优化 | 第31-33页 |
| 3.3.5 分层优化原理说明 | 第33-37页 |
| 3.3.6 分层模式矩阵计算机生成算法 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于覆盖原理的增量学习 | 第40-54页 |
| 4.1 引言 | 第40页 |
| 4.2 典型的机器学习算法的增量构建方法 | 第40-43页 |
| 4.2.1 基于决策树的增量学习算法 | 第40-41页 |
| 4.2.2 概念格增量学习算法 | 第41-43页 |
| 4.3 基于覆盖原理的增量学习算法 | 第43-52页 |
| 4.3.1 覆盖增量学习算法 | 第43-45页 |
| 4.3.2 增量学习的属性偏序结构图更新 | 第45-49页 |
| 4.3.3 增量学习算法流程 | 第49-52页 |
| 4.3.4 实际数据运行测试 | 第52页 |
| 4.4 本章小结 | 第52-54页 |
| 第5章 基于Lasso算法的特征选择 | 第54-62页 |
| 5.1 引言 | 第54页 |
| 5.2 岭回归 | 第54-55页 |
| 5.3 Lasso回归 | 第55-56页 |
| 5.4 LARS算法 | 第56-57页 |
| 5.5 LARS算法的代数定义 | 第57页 |
| 5.6 回归路径图以及变量选择 | 第57-58页 |
| 5.7 多级Lasso组合反馈 | 第58-61页 |
| 5.7.1 两级特征选择组合 | 第58-59页 |
| 5.7.2 级联特征选择数目准确率比较 | 第59-61页 |
| 5.8 本章小结 | 第61-62页 |
| 第6章 增量学习和特征选择融合的模式识别方法 | 第62-72页 |
| 6.1 引言 | 第62页 |
| 6.2 设计实验步骤 | 第62-67页 |
| 6.3 方法验证 | 第67-71页 |
| 6.3.1 方法有效性验证 | 第67-68页 |
| 6.3.2 增量学习验证 | 第68-71页 |
| 6.4 本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第78-79页 |
| 致谢 | 第79页 |
