| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 支持向量机 | 第12-13页 |
| 1.2.2 半监督学习 | 第13-15页 |
| 1.2.3 集成学习 | 第15-16页 |
| 1.2.4 近红外光谱 | 第16页 |
| 1.3 本文的主要研究内容 | 第16-17页 |
| 1.4 本文的主要研究结构 | 第17-19页 |
| 第2章 相关算法 | 第19-37页 |
| 2.1 引言 | 第19页 |
| 2.2 支持向量分类机 | 第19-22页 |
| 2.2.1 最优超平面 | 第19-20页 |
| 2.2.2 线性可分的支持向量机 | 第20-21页 |
| 2.2.3 线性不可分的支持向量机 | 第21页 |
| 2.2.4 非线性支持向量机 | 第21-22页 |
| 2.3 支持向量回归机 | 第22-25页 |
| 2.4 增量支持向量回归机算法 | 第25-28页 |
| 2.4.1 公式推导 | 第25-27页 |
| 2.4.2 相关算法 | 第27-28页 |
| 2.5 半监督学习 | 第28-29页 |
| 2.5.1 主动学习 | 第28-29页 |
| 2.5.2 协同训练 | 第29页 |
| 2.6 集成学习 | 第29-35页 |
| 2.6.1 集成学习的基本概念 | 第29-31页 |
| 2.6.2 Bagging算法 | 第31-32页 |
| 2.6.3 Boosting算法 | 第32-33页 |
| 2.6.4 选择性集成 | 第33-34页 |
| 2.6.5 随机森林算法 | 第34-35页 |
| 2.7 本章小结 | 第35-37页 |
| 第3章 增量半监督SVR算法 | 第37-43页 |
| 3.1 引言 | 第37页 |
| 3.2 半监督支持向量机 | 第37-40页 |
| 3.2.1 半监督支持向量分类机 | 第37-39页 |
| 3.2.2 半监督支持向量回归机 | 第39-40页 |
| 3.3 增量半监督支持向量回归算法 | 第40-42页 |
| 3.3.1 增量支持向量回归算法 | 第40页 |
| 3.3.2 增量半监督支持向量回归算法 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 增量半监督SVR的集成学习算法 | 第43-51页 |
| 4.1 引言 | 第43页 |
| 4.2 增量半监督SVR的集成学习算法框架 | 第43-44页 |
| 4.3 增量半监督SVR的集成学习算法建立 | 第44-45页 |
| 4.4 集成学习对模型的优化 | 第45-49页 |
| 4.5 算法的评估 | 第49页 |
| 4.6 本章小结 | 第49-51页 |
| 第5章 实验及结果分析 | 第51-67页 |
| 5.1 引言 | 第51页 |
| 5.2 实验的环境 | 第51页 |
| 5.3 LIBSVM工具箱 | 第51页 |
| 5.4 实验的相关说明和计算 | 第51-53页 |
| 5.4.1 实验的相关说明 | 第51-52页 |
| 5.4.2 实验的相关计算 | 第52-53页 |
| 5.5 实验结果及分析 | 第53-64页 |
| 5.5.1 玉米数据集的实验结果与分析 | 第53-56页 |
| 5.5.2 药片数据集的实验结果与分析 | 第56-59页 |
| 5.5.3 shootout数据集的实验结果与分析 | 第59-62页 |
| 5.5.4 红酒数据集的实验结果与分析 | 第62-64页 |
| 5.6 本章小结 | 第64-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 本文总结 | 第67页 |
| 6.2 未来的研究方向 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |