| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-17页 |
| 1.1 引言 | 第7-9页 |
| 1.2 机器学习简述 | 第9-12页 |
| 1.2.1 机器学习的基础概念 | 第9-10页 |
| 1.2.2 机器学习的一般步骤 | 第10-12页 |
| 1.3 机器学习算法的应用 | 第12-15页 |
| 1.3.1 购物 | 第12页 |
| 1.3.2 出行 | 第12-13页 |
| 1.3.3 穿衣 | 第13页 |
| 1.3.4 语音识别 | 第13-14页 |
| 1.3.5 医疗 | 第14页 |
| 1.3.6 智能家居 | 第14-15页 |
| 1.4 本文的主要内容、结构安排 | 第15-17页 |
| 第2章 Grab-Cut算法 | 第17-23页 |
| 2.1 背景介绍 | 第17页 |
| 2.2 Graph Cuts算法 | 第17-18页 |
| 2.3 Grab-Cut算法的建立 | 第18-21页 |
| 2.4 小结 | 第21-23页 |
| 第3章 GBDT算法 | 第23-39页 |
| 3.1 背景 | 第23页 |
| 3.2 集成学习 | 第23-25页 |
| 3.3 决策树 | 第25-28页 |
| 3.4 GBDT算法详解 | 第28-36页 |
| 3.5 小结 | 第36-39页 |
| 第4章 实验验证 | 第39-51页 |
| 4.1 数据来源 | 第39页 |
| 4.2 Grab-Cut算法下渤海湾的污染监测 | 第39-44页 |
| 4.2.1 天津入海排污口的监测 | 第39-41页 |
| 4.2.2 天津入海排污口污染区域随时间的变化 | 第41-43页 |
| 4.2.3 其它图像分割算法与“Grab-Cut”算法的比较 | 第43-44页 |
| 4.3 GBDT算法下渤海湾的污染监测 | 第44-51页 |
| 4.3.1 算法步骤概况 | 第44页 |
| 4.3.2 实验 | 第44-49页 |
| 4.3.3 结论 | 第49-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 发表论文和参加科研情况说明 | 第57-59页 |
| 致谢 | 第59页 |