| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-15页 |
| ·问题的提出 | 第10-11页 |
| ·研究背景及意义 | 第11-13页 |
| ·研究背景 | 第11-12页 |
| ·研究意义 | 第12-13页 |
| ·论文的组织结构 | 第13-15页 |
| 第二章 多示例学习的研究 | 第15-23页 |
| ·多示例学习基础 | 第15-19页 |
| ·多示例学习理论 | 第15-16页 |
| ·多示例学习算法 | 第16-19页 |
| ·多示例学习应用 | 第19页 |
| ·多示例学习研究现状 | 第19-22页 |
| ·多示例学习的可学习性研究 | 第19-21页 |
| ·多示例学习与传统机器学习区别研究 | 第21-22页 |
| ·本章小节 | 第22-23页 |
| 第三章 支持向量数据描述 | 第23-45页 |
| ·统计学理论 | 第23-26页 |
| ·学习模型 | 第23-24页 |
| ·经验风险最小化 | 第24-25页 |
| ·VC维 | 第25页 |
| ·结构风险最小化 | 第25-26页 |
| ·支持向量机 | 第26-31页 |
| ·线性可分支持向量机 | 第27-28页 |
| ·核函数 | 第28-29页 |
| ·序列最小优化算法 | 第29-31页 |
| ·基于支持向量机的多示例学习 | 第31-33页 |
| ·mi-SVM和MI-SVM算法 | 第31-32页 |
| ·DD-SVM算法 | 第32-33页 |
| ·支持向量数据描述 | 第33-40页 |
| ·单类支持向量描述 | 第34-35页 |
| ·带负类的支持向量数据描述 | 第35-36页 |
| ·支持向量数据数据描述求解方法 | 第36-40页 |
| ·基于SVDD的多示例学习方法 | 第40-44页 |
| ·mi-NSVDD算法 | 第41-42页 |
| ·MI-NSVDD算法 | 第42-43页 |
| ·mi-NSVDD算法与MI-NSVDD算法的分析 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 基于支持向量数据描述的多示例学习算法 | 第45-59页 |
| ·消除包中示例歧义性方法 | 第45-48页 |
| ·消除正包中示例歧义性的方法 | 第45-47页 |
| ·选择负包中最具有代表性的示例 | 第47-48页 |
| ·特征映射算法 | 第48页 |
| ·基于示例等级的特征映射算法 | 第48页 |
| ·基于包等级的特征映射算法 | 第48页 |
| ·MI-NSVDD_I算法 | 第48-50页 |
| ·MI-NSVDD_B算法 | 第50-51页 |
| ·实验数据集 | 第51-57页 |
| ·实验数据集的介绍 | 第51-53页 |
| ·MUSK数据集实验 | 第53-55页 |
| ·基于内容的图像检索数据集实验 | 第55-57页 |
| ·本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| ·总结 | 第59-60页 |
| ·展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66-67页 |
| 详细摘要 | 第67-70页 |