| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第1章 绪论 | 第7-14页 |
| ·集成学习的研究意义 | 第7-9页 |
| ·集成学习的研究现状 | 第9-10页 |
| ·集成学习的研究热点 | 第10-11页 |
| ·小波变换的发展简介 | 第11-12页 |
| ·论文主要工作 | 第12-14页 |
| 第2章 集成学习的相关理论 | 第14-22页 |
| ·集成学习的框架 | 第14-17页 |
| ·基分类器的生成方法 | 第14-16页 |
| ·基分类器的集成方法 | 第16-17页 |
| ·集成学习的必要条件 | 第17-18页 |
| ·准确率 | 第17-18页 |
| ·差异性 | 第18页 |
| ·集成学习的经典算法 | 第18-22页 |
| ·Bagging 算法 | 第19页 |
| ·Boosting 算法 | 第19-21页 |
| ·Random Forest 算法 | 第21-22页 |
| 第3章 基于小波变换的特征提取 | 第22-30页 |
| ·小波变换的基本原理 | 第22-25页 |
| ·连续小波和离散小波 | 第22-23页 |
| ·多分辨分析 | 第23-24页 |
| ·Mallat 算法 | 第24-25页 |
| ·特征提取的相关理论 | 第25-26页 |
| ·特征提取的定义 | 第25页 |
| ·特征提取常用方法 | 第25-26页 |
| ·小波变换特征提取算法 | 第26-30页 |
| ·小波特征提取的意义 | 第26页 |
| ·小波特征表示常用方法 | 第26-27页 |
| ·算法基本思想 | 第27-28页 |
| ·算法伪代码 | 第28-30页 |
| 第4章 Wavelet-Forests 算法设计和实现 | 第30-35页 |
| ·算法设计思想 | 第30-31页 |
| ·基分类器的生成 | 第31-32页 |
| ·基分类器训练集的差异性来源 | 第32页 |
| ·Wavelet-Forests 算法的实现 | 第32-35页 |
| ·Wavelet-Forests 算法的实现平台WEKA | 第32-33页 |
| ·Wavelet-Forests 算法的伪代码 | 第33-35页 |
| 第5章 Wavelet-Forests 算法性能分析 | 第35-54页 |
| ·实验环境设置 | 第35-40页 |
| ·数据集 | 第35-36页 |
| ·实验数据预处理 | 第36-37页 |
| ·实验参数选择 | 第37-39页 |
| ·评估方法选择 | 第39-40页 |
| ·算法的准确率分析 | 第40-46页 |
| ·准确率 | 第40-41页 |
| ·置信区间 | 第41-42页 |
| ·实验结果 | 第42-46页 |
| ·算法的ROC 曲线分析 | 第46-53页 |
| ·ROC 曲线 | 第46-48页 |
| ·AUC 面积 | 第48页 |
| ·实验结果 | 第48-53页 |
| ·算法性能总结 | 第53-54页 |
| 第6章 结语 | 第54-56页 |
| ·论文总结 | 第54页 |
| ·工作展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间科研情况 | 第62页 |
