| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 课题背景及研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 粗糙集研究现状 | 第13-14页 |
| 1.2.2 决策树研究现状 | 第14-15页 |
| 1.2.3 增量学习研究现状 | 第15-17页 |
| 1.2.4 相关研究在目标识别领域的发展探索 | 第17-18页 |
| 1.3 本文的研究内容 | 第18-19页 |
| 1.4 本文的组织结构 | 第19-20页 |
| 第二章 决策树算法概述 | 第20-30页 |
| 2.1 决策树的起源 | 第20-22页 |
| 2.2 C4.5算法的改进 | 第22-23页 |
| 2.3 增量式决策树模型 | 第23-29页 |
| 2.3.1 ID4 | 第24页 |
| 2.3.2 ID5R | 第24-26页 |
| 2.3.3 ITI | 第26页 |
| 2.3.4 VFDT | 第26-27页 |
| 2.3.5 dsCART | 第27-29页 |
| 2.4 增量式决策树模型比较 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于变精度粗糙集的决策树构建方法 | 第30-46页 |
| 3.1 粗糙集基础理论 | 第30-34页 |
| 3.1.1 粗糙集基本概念 | 第30-33页 |
| 3.1.2 变精度粗糙集 | 第33-34页 |
| 3.2 基于变精度粗糙集的自适应决策树算法研究 | 第34-40页 |
| 3.2.1 问题的提出 | 第34-35页 |
| 3.2.2 算法过程 | 第35-37页 |
| 3.2.3 实例对比分析 | 第37-38页 |
| 3.2.4 实验结果及分析 | 第38-40页 |
| 3.3 一种自定义的随机森林算法设计 | 第40-44页 |
| 3.3.1 随机森林概述 | 第40-41页 |
| 3.3.2 CRF(Customizable Random Forest)算法过程 | 第41-43页 |
| 3.3.3 实验结果及分析 | 第43-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第四章 部分实例的增量式决策树算法研究 | 第46-62页 |
| 4.1 增量式决策树算法概述 | 第46-47页 |
| 4.2 K-Medoids聚类算法 | 第47-48页 |
| 4.3 基于变精度粗糙集的部分实例增量决策树算法设计 | 第48-56页 |
| 4.3.1 问题的提出 | 第48-49页 |
| 4.3.2 解决方案 | 第49-50页 |
| 4.3.3 部分实例的增量式决策树算法过程 | 第50-52页 |
| 4.3.4 实验结果及分析 | 第52-56页 |
| 4.4 成像目标识别典型实验 | 第56-61页 |
| 4.4.1 字符图像识别技术概述 | 第56页 |
| 4.4.2 字母图像识别数据集 | 第56-59页 |
| 4.4.3 实验结果及分析 | 第59-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-72页 |
| 作者在学期间取得的学术成果 | 第72-73页 |
| 攻读硕士期间获得奖励及参与的科研项目 | 第73页 |