| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第15-34页 |
| 1.1 研究背景 | 第15-17页 |
| 1.2 研究综述 | 第17-32页 |
| 1.2.1 回归问题概述 | 第17-20页 |
| 1.2.2 集成学习产生的背景 | 第20-22页 |
| 1.2.3 集成学习的理论依据、概念和思想 | 第22-24页 |
| 1.2.4 集成学习框架 | 第24-27页 |
| 1.2.5 其他集成学习框架 | 第27-30页 |
| 1.2.6 集成学习应用研究 | 第30-31页 |
| 1.2.7 问题和不足 | 第31-32页 |
| 1.3 研究内容和结构安排 | 第32-34页 |
| 第二章 基于学习过程模型的集成回归学习算法框架 | 第34-47页 |
| 2.1 回归问题定义 | 第34-36页 |
| 2.2 集成学习解决回归问题的途径 | 第36-37页 |
| 2.3 集成学习与个体学习的关系 | 第37-38页 |
| 2.4 集成回归学习 | 第38-40页 |
| 2.4.1 个体学习器的构建过程 | 第38页 |
| 2.4.2 个体学习器之间的交互 | 第38-39页 |
| 2.4.3 集成组合 | 第39页 |
| 2.4.4 存在的问题 | 第39-40页 |
| 2.5 集成回归学习算法框架 | 第40-46页 |
| 2.5.1 学习过程模型 | 第40-42页 |
| 2.5.2 基于学习过程模型的集成回归学习算法框架 | 第42-44页 |
| 2.5.3 设计有效的集成回归学习算法 | 第44-46页 |
| 2.6 本章小结 | 第46-47页 |
| 第三章 基于多重扰动的异质集成回归学习算法 | 第47-75页 |
| 3.1 引言 | 第47-48页 |
| 3.2 问题的提出 | 第48-49页 |
| 3.3 相关理论与研究 | 第49-57页 |
| 3.3.1 集成学习差异度 | 第49-53页 |
| 3.3.2 经典集成回归学习算法 | 第53-55页 |
| 3.3.3 相关研究 | 第55-57页 |
| 3.4 AdaBoost.RT算法及其改进 | 第57-60页 |
| 3.5 基于多重扰动的异质集成回归学习算法 | 第60-66页 |
| 3.5.1 问题定义 | 第60-62页 |
| 3.5.2 算法思想 | 第62-64页 |
| 3.5.3 算法描述 | 第64-65页 |
| 3.5.4 基于多核学习的算法实现 | 第65-66页 |
| 3.6 仿真实验与结果分析 | 第66-73页 |
| 3.6.1 实验环境与数据集 | 第66-68页 |
| 3.6.2 实验设置 | 第68页 |
| 3.6.3 实验结果对比分析 | 第68-73页 |
| 3.7 本章小结 | 第73-75页 |
| 第四章 基于后剪枝的自适应动态加权集成算法 | 第75-101页 |
| 4.1 引言 | 第75-76页 |
| 4.2 问题的提出 | 第76-77页 |
| 4.3 相关理论与研究 | 第77-88页 |
| 4.3.1 集成剪枝的必要性 | 第77-78页 |
| 4.3.2 集成剪枝原理 | 第78-80页 |
| 4.3.3 集成剪枝策略 | 第80-83页 |
| 4.3.4 集成剪枝评价标准 | 第83-84页 |
| 4.3.5 集成组合方法 | 第84-86页 |
| 4.3.6 相关研究 | 第86-88页 |
| 4.4 基于后剪枝的自适应动态加权集成算法 | 第88-95页 |
| 4.4.1 问题定义 | 第89页 |
| 4.4.2 算法思想 | 第89-92页 |
| 4.4.3 算法描述 | 第92-93页 |
| 4.4.4 基于极限学习机的算法实现 | 第93-95页 |
| 4.5 仿真实验和结果分析 | 第95-99页 |
| 4.5.1 实验环境和数据集 | 第95-96页 |
| 4.5.2 实验设置 | 第96-97页 |
| 4.5.3 实验结果对比分析 | 第97-99页 |
| 4.6 本章小结 | 第99-101页 |
| 第五章 集成学习算法并行化及MapReduce实现 | 第101-113页 |
| 5.1 引言 | 第101-102页 |
| 5.2 问题的提出 | 第102页 |
| 5.3 相关技术 | 第102-105页 |
| 5.3.1 MapReduce并行计算技术 | 第102-104页 |
| 5.3.2 并行化算法性能评估 | 第104-105页 |
| 5.4 集成学习算法并行化 | 第105-108页 |
| 5.4.1 集成学习算法并行化框架 | 第106-107页 |
| 5.4.2 集成学习算法并行化实现 | 第107-108页 |
| 5.5 仿真实验和结果分析 | 第108-112页 |
| 5.5.1 实验环境和数据集 | 第109-110页 |
| 5.5.2 实验设置 | 第110页 |
| 5.5.3 实验结果对比分析 | 第110-112页 |
| 5.6 本章小结 | 第112-113页 |
| 第六章 基于公共卫生大数据的传染病集成预测系统 | 第113-128页 |
| 6.1 引言 | 第113-115页 |
| 6.2 系统架构设计 | 第115-117页 |
| 6.2.1 系统总体架构 | 第115-116页 |
| 6.2.2 系统架构说明 | 第116-117页 |
| 6.3 系统功能模块设计 | 第117-121页 |
| 6.3.1 公共卫生大数据存储管理 | 第117-120页 |
| 6.3.2 机器学习元算法库和预测模型库 | 第120-121页 |
| 6.4 系统功能实现 | 第121-122页 |
| 6.5 示范应用与结果分析 | 第122-126页 |
| 6.5.1 应用数据集 | 第122-124页 |
| 6.5.2 应用效果分析 | 第124-126页 |
| 6.6 本章小结 | 第126-128页 |
| 第七章 总结与展望 | 第128-131页 |
| 7.1 工作总结 | 第128-129页 |
| 7.2 未来工作展望 | 第129-131页 |
| 参考文献 | 第131-142页 |
| 附录一 攻读博士期间发表的学术论文 | 第142-143页 |
| 附录二 攻读博士期间参与的科研项目 | 第143-144页 |
| 附录三 攻读博士期间申请的发明专利 | 第144-145页 |
| 致谢 | 第145页 |