| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 1 绪论 | 第7-14页 |
| ·环境感知的发展 | 第7-10页 |
| ·机器学习与环境感知 | 第10-12页 |
| ·在线学习与环境感知 | 第12-13页 |
| ·论文主要工作内容和结构 | 第13-14页 |
| 2 在线增量学习概述 | 第14-22页 |
| ·在线学习的意义 | 第14页 |
| ·SVM理论概述 | 第14-17页 |
| ·在线增量SVM | 第17-21页 |
| ·小结与讨论 | 第21-22页 |
| 3 主动学习简介 | 第22-33页 |
| ·引入主动学习的意义 | 第22-23页 |
| ·主动学习框架 | 第23-25页 |
| ·委员会查询方式 | 第24页 |
| ·基于流的选择采样 | 第24-25页 |
| ·基于池的主动学习 | 第25页 |
| ·主动学习查询策略简介 | 第25-31页 |
| ·基于不确定度的查询 | 第25-26页 |
| ·Query-By-Committee | 第26-27页 |
| ·期望模型改变(Expected Model Change) | 第27-28页 |
| ·方差缩减和费舍信息量 | 第28-30页 |
| ·缩减泛化误差 | 第30页 |
| ·密度加权 | 第30-31页 |
| ·小结与展望 | 第31-33页 |
| 4 在线主动学习在环境感知中对障碍物检测的应用 | 第33-44页 |
| ·核感知器(kernel Perceptron) | 第33-34页 |
| ·支持向量机(SVM)解法 | 第34-36页 |
| ·在线LASVM | 第36-38页 |
| ·主动LASVM | 第38-40页 |
| ·收集潜在的支持向量 | 第39页 |
| ·梯度选择法 | 第39-40页 |
| ·主动选择策略 | 第40页 |
| ·在线主动学习算法在环境感知中的应用 | 第40-43页 |
| ·小结 | 第43-44页 |
| 5 实验与结果 | 第44-57页 |
| ·实验目的 | 第44页 |
| ·实验数据 | 第44-46页 |
| ·特征提取 | 第46-48页 |
| ·颜色特征 | 第46-47页 |
| ·纹理特征 | 第47-48页 |
| ·主要实验环节 | 第48-55页 |
| ·分类器参数的确定 | 第48-49页 |
| ·adult数据集上on-line LASVM算法和batch LIBSVM算法的比较 | 第49-51页 |
| ·adult数据集上active LASVM算法和random LIBSVM算法的比较 | 第51-52页 |
| ·障碍物数据集上on-line LASVM算法和batch LIBSVM算法的比较 | 第52-54页 |
| ·障碍物数据集上active LASM和random LIBSVM的比较 | 第54-55页 |
| ·预测结果演示 | 第55页 |
| ·小结和展望 | 第55-57页 |
| 6 总结与展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
