| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题研究的背景及目的和意义 | 第8-9页 |
| 1.2 国内外技术研究概况 | 第9-10页 |
| 1.3 对数据的处理 | 第10-12页 |
| 1.4 本论文的主要研究内容及结构安排 | 第12-13页 |
| 第2章 模式分类中的特征选择概述 | 第13-31页 |
| 2.1 特征选择的基本概念及一般过程 | 第13-15页 |
| 2.1.1 模式分类中的特征选择的定义 | 第13-14页 |
| 2.1.2 模式分类中的特征选择的一般过程 | 第14-15页 |
| 2.2 特征选择搜索策略和子集评估 | 第15-27页 |
| 2.2.1 搜索策略 | 第15-19页 |
| 2.2.2 子集评估准则 | 第19-27页 |
| 2.3 特征选择和学习算法的结合 | 第27-29页 |
| 2.4 特征选择中研究样本是否标记分类 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于 ReliefF 的特征选择研究 | 第31-43页 |
| 3.1 Relief 算法 | 第31-32页 |
| 3.2 ReliefF 算法 | 第32-33页 |
| 3.3 主成分分析法 | 第33-36页 |
| 3.4 基于 ReliefF 算法的主特征提取方法 | 第36-37页 |
| 3.5 实验设置 | 第37-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于 KPCA 和 ReliefF 改进的组合特征选择法 | 第43-58页 |
| 4.1 核函数 | 第43-46页 |
| 4.2 基于核函数的主成分分析法 | 第46-48页 |
| 4.3 对 KPCA 和 PCA 在数据上的测试 | 第48-51页 |
| 4.4 基于对 ReliefF 优化的核主成成分析的二次特征选择算法 | 第51-53页 |
| 4.5 实验数据分析 | 第53-57页 |
| 4.6 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |
