多类问题的神经网络集成方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-16页 |
| ·研究背景 | 第9页 |
| ·国内外研究现状 | 第9-14页 |
| ·多类问题的研究现状 | 第9-11页 |
| ·神经网络集成学习的研究现状 | 第11-14页 |
| ·本文的研究内容 | 第14-16页 |
| 第2章 相关理论基础 | 第16-29页 |
| ·多类别分类 | 第16页 |
| ·一对多 | 第16页 |
| ·一对一 | 第16页 |
| ·神经网络分类器 | 第16-20页 |
| ·BP 神经网络的结构 | 第17页 |
| ·BP 神经网络的学习算法 | 第17-20页 |
| ·支持向量机 | 第20-23页 |
| ·集成学习算法 | 第23-28页 |
| ·Boosting | 第24-25页 |
| ·Bagging | 第25-28页 |
| ·小结 | 第28-29页 |
| 第3章 基于重编码的神经网络集成模型 | 第29-40页 |
| ·分类器模块 | 第30-32页 |
| ·二类别分类器 | 第30-31页 |
| ·互补分类器 | 第31-32页 |
| ·分类器集成 | 第32-34页 |
| ·并行组合 | 第32页 |
| ·串行组合 | 第32-33页 |
| ·分级组合 | 第33-34页 |
| ·实验 | 第34-38页 |
| ·UCI 数据库 | 第34-37页 |
| ·手写数字识别实验 | 第37-38页 |
| ·小结 | 第38-40页 |
| 第4章 单类支持向量机分类器集成模型 | 第40-52页 |
| ·单类支持向量机分类器 | 第41-45页 |
| ·one-class SVM | 第41-43页 |
| ·MOCSVMC 分类器算法 | 第43-45页 |
| ·MOCSVMC 的集成算法 | 第45-48页 |
| ·adaBoost.M1 算法 | 第45-46页 |
| ·adaBoost.MK 算法 | 第46-48页 |
| ·集成模型 | 第48-49页 |
| ·实验 | 第49-51页 |
| ·小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| ·总结 | 第52页 |
| ·后续研究工作展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 附录：个人简历、在校期间发表的学术论文及研究成果 | 第58页 |
