| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文组织结构 | 第13-15页 |
| 第二章 多示例学习理论和构造性覆盖算法 | 第15-27页 |
| 2.1 多示例学习概念及其传统学习方法的区别 | 第15-17页 |
| 2.1.1 多示例学习概念 | 第15-16页 |
| 2.1.2 多示例学习与传统学习方法的区别 | 第16-17页 |
| 2.2 多示例学习的主要算法 | 第17-23页 |
| 2.2.1 轴平行矩阵APR算法 | 第17-18页 |
| 2.2.2 基于多样性密度的DD和EM-DD算法 | 第18-20页 |
| 2.2.3 基于k-NN的多示例学习算法 | 第20-21页 |
| 2.2.4 基于SVM的多示例学习算法 | 第21-22页 |
| 2.2.5 其它多示例学习算法 | 第22-23页 |
| 2.3 构造性覆盖算法简介 | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于构造性覆盖算法的多示例学习T-MilCa算法 | 第27-40页 |
| 3.1 示例提取的过程 | 第28-31页 |
| 3.1.1 利用Hausdorff距离提取初始正示例 | 第28-29页 |
| 3.1.2 寻找未被反示例覆盖集覆盖的示例 | 第29页 |
| 3.1.3 提取具有代表性的示例 | 第29-31页 |
| 3.2 转换和分类过程 | 第31-32页 |
| 3.3 实验和分析 | 第32-39页 |
| 3.3.1 实验参数设置和数据集 | 第32-36页 |
| 3.3.2 实验结果和分析 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于示例重要度的多示例学习M-MilCa算法 | 第40-50页 |
| 4.1 基于示例重要度的示例提取 | 第40-43页 |
| 4.2 基于示例重要度的转换和分类过程 | 第43-44页 |
| 4.3 实验和分析 | 第44-48页 |
| 4.3.1 实验数据集和参数设置 | 第44-45页 |
| 4.3.2 实验结果和分析 | 第45-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第五章 总结和展望 | 第50-52页 |
| 5.1 本文总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 参考文献 | 第52-58页 |
| 附录A 图索引 | 第58-59页 |
| Appendix A Figure Index | 第59-60页 |
| 附录B 表索引 | 第60-61页 |
| Appendix B Table Index | 第61-62页 |
| 致谢 | 第62-64页 |
| 攻读硕士学位期间参与的科研项目和发表的论文 | 第64-65页 |
| 导师、作者简介 | 第65页 |
