| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 图索引 | 第11-12页 |
| 表索引 | 第12-14页 |
| 第一章 绪论 | 第14-21页 |
| ·课题研究的背景与意义 | 第14-16页 |
| ·国内外研究现状 | 第16-18页 |
| ·本文的研究内容与组织结构 | 第18-21页 |
| 第二章 基于连续特征自组织学习的神经网络树设计研究 | 第21-42页 |
| ·引言 | 第21-22页 |
| ·神经网络树模型 | 第22-27页 |
| ·决策树的构建 | 第22-24页 |
| ·神经网络树的结构 | 第24-27页 |
| ·基于连续特征自组织学习的神经网络树设计 | 第27-35页 |
| ·连续特征自组织学习 | 第27-28页 |
| ·基于特征自组织学习的神经网络树构建 | 第28-29页 |
| ·实验结果与分析 | 第29-35页 |
| ·SFL-NNT 在入侵检测中的应用 | 第35-41页 |
| ·入侵检测模型和方法概述 | 第35-37页 |
| ·基于SFL-NNT 的入侵检测应用 | 第37-41页 |
| ·本章小结 | 第41-42页 |
| 第三章 基于混淆交叉的支撑向量机树设计研究 | 第42-60页 |
| ·引言 | 第42-43页 |
| ·支撑向量机模型 | 第43-48页 |
| ·支撑向量机原理 | 第43-46页 |
| ·多分类支撑向量机 | 第46-48页 |
| ·基于混淆交叉的支撑向量机树模型（CSVMT）设计 | 第48-52页 |
| ·支撑向量机树模型结构 | 第48-49页 |
| ·混淆交叉 | 第49-50页 |
| ·基于混淆交叉的支撑向量机树模型学习算法 | 第50-52页 |
| ·实验结果与分析 | 第52-58页 |
| ·本章小结 | 第58-60页 |
| 第四章 基于有监督局部线性嵌入的支撑向量机树设计研究 | 第60-75页 |
| ·引言 | 第60-61页 |
| ·局部线性嵌入 | 第61-65页 |
| ·LLE 算法 | 第61-63页 |
| ·LLE 参数优化 | 第63-64页 |
| ·有监督局部线性嵌入算法 | 第64-65页 |
| ·基于SLLE 的CSVMT 模型设计 | 第65-68页 |
| ·基于全局SLLE 特征学习的CSVMT 模型设计 | 第65-67页 |
| ·基于当前中间节点SLLE 特征学习的CSVMT 模型设计 | 第67-68页 |
| ·实验结果与分析 | 第68-74页 |
| ·本章小结 | 第74-75页 |
| 第五章 基于边界敏感度特征选择的支撑向量机树设计研究 | 第75-92页 |
| ·引言 | 第75-76页 |
| ·特征选择 | 第76-80页 |
| ·特征选择与分类学习算法 | 第76-77页 |
| ·基于最大输出信息的特征选择方法 | 第77-79页 |
| ·基于分类边界敏感度的特征选择方法 | 第79-80页 |
| ·基于特征选择的支撑向量机模型(FS-CSVMT)构建 | 第80-81页 |
| ·实验结果与分析 | 第81-90页 |
| ·本章小结 | 第90-92页 |
| 第六章 基于混淆交叉支撑向量机树的面部表情自动识别应用研究 | 第92-105页 |
| ·引言 | 第92页 |
| ·面部表情数据预处理 | 第92-96页 |
| ·特征抽取 | 第96-97页 |
| ·基于支撑向量机树学习模型的面部表情自动识别应用 | 第97-104页 |
| ·CSVMT 在面部表情自动识别中的应用结果与分析 | 第98-100页 |
| ·SLLE-CSVMT和FS-CSVMT模型在面部表情识别中的应用结果与分析 | 第100-104页 |
| ·本章小结 | 第104-105页 |
| 第七章 总结与展望 | 第105-108页 |
| ·本文的主要研究成果 | 第105-107页 |
| ·课题研究展望 | 第107-108页 |
| 致谢 | 第108-109页 |
| 参考文献 | 第109-126页 |
| 缩略词 | 第126-128页 |
| 作者在攻读博士学位期间公开发表的论文 | 第128-130页 |
| 作者在攻读博士期间参加的科研项目 | 第130页 |
