| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第11-18页 |
| ·研究背景及意义 | 第11-14页 |
| ·研究背景 | 第11-13页 |
| ·研究意义 | 第13-14页 |
| ·多示例学习研究现状 | 第14-15页 |
| ·支持向量数据描述方法研究现状 | 第15-16页 |
| ·论文研究内容与组织结构 | 第16-18页 |
| ·论文研究内容 | 第16-17页 |
| ·本文组织结构 | 第17-18页 |
| 第二章 多示例学习 | 第18-26页 |
| ·多示例学习 MIL 概述 | 第18-22页 |
| ·MIL 问题的提出 | 第18-19页 |
| ·MIL 模型的建立 | 第19-20页 |
| ·MIL 与传统机器学习的区别 | 第20-21页 |
| ·MIL 相关应用 | 第21-22页 |
| ·MIL 扩展研究 | 第22-25页 |
| ·多示例回归问题 | 第23页 |
| ·多部分学习 | 第23页 |
| ·广义多示例学习 | 第23-24页 |
| ·多示例多标记学习 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 支持向量数据描述方法 | 第26-38页 |
| ·统计学习理论与支持向量机 SVM 概述 | 第26-32页 |
| ·统计学习理论 | 第26-29页 |
| ·线性可分 SVM | 第29-30页 |
| ·非线性不可分 SVM | 第30-32页 |
| ·支持向量数据描述方法 SVDD 概述 | 第32-36页 |
| ·硬间隔单分类 SVDD 方法 | 第33-34页 |
| ·软间隔单分类 SVDD 方法 | 第34页 |
| ·带负类二分类 NSVDD 方法 | 第34-36页 |
| ·SVDD 中相关参数的影响 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 基于代表示例选择与 SVDD 的多示例学习 | 第38-51页 |
| ·引言 | 第38-39页 |
| ·代表示例选择方法 | 第39-41页 |
| ·特征映射与迭代学习框架 | 第41-43页 |
| ·基于示例级特征映射方法 | 第41-42页 |
| ·基于包级特征映射方法 | 第42页 |
| ·迭代学习框架 | 第42-43页 |
| ·mi-NSVDD 与 MI-NSVDD 多示例学习算法 | 第43-45页 |
| ·基于示例分类的 mi-NSVDD 算法 | 第43-44页 |
| ·基于包分类的 MI-NSVDD 算法 | 第44-45页 |
| ·MILD-NSVDD_I 与 MILD-NSVDD_B 多示例学习算法 | 第45-48页 |
| ·基于示例分类的 MILD-NSVDD_I 算法 | 第45-47页 |
| ·基于包分类的 MILD-NSVDD_B 算法 | 第47-48页 |
| ·MILIS-NSVDD_I 与 MILIS-NSVDD_B 多示例学习算法 | 第48-50页 |
| ·基于示例分类的 MILIS-NSVDD_I 算法 | 第48-50页 |
| ·基于包分类的 MILIS-NSVDD_B 算法 | 第50页 |
| ·本章小结 | 第50-51页 |
| 第五章 实验设计与分析 | 第51-60页 |
| ·实验数据集 | 第51-53页 |
| ·麝香分子 MUSK 数据集 | 第51-52页 |
| ·COREL 图像库 | 第52-53页 |
| ·在 MUSK 数据集上进行分类实验 | 第53-55页 |
| ·实验设计 | 第53页 |
| ·实验结果与分析 | 第53-55页 |
| ·在 COREL 图像库中进行基于内容的图像检索 | 第55-59页 |
| ·实验设计 | 第55页 |
| ·实验结果与分析 | 第55-59页 |
| ·本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| ·总结 | 第60-61页 |
| ·展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67页 |
