| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 符号说明 | 第8-14页 |
| 第一章 绪论 | 第14-28页 |
| 1.1 研究背景及意义 | 第14-20页 |
| 1.1.1 机器学习与分类 | 第14-16页 |
| 1.1.2 局部学习和局部分类 | 第16-19页 |
| 1.1.3 贝叶斯分类决策 | 第19-20页 |
| 1.2 历史与现状 | 第20-25页 |
| 1.2.1 机器学习的发展历程 | 第20-21页 |
| 1.2.2 局部学习的研究现状 | 第21-23页 |
| 1.2.3 局部分类的研究现状和发展 | 第23-25页 |
| 1.3 本文的主要研究内容 | 第25-26页 |
| 1.4 本文的组织结构 | 第26-28页 |
| 第二章 相关理论与方法 | 第28-44页 |
| 2.1 分类问题 | 第28-31页 |
| 2.1.1 数据表示 | 第28-29页 |
| 2.1.2 表达形式 | 第29-30页 |
| 2.1.3 分类过程 | 第30-31页 |
| 2.2 局部分类理论及方法 | 第31-38页 |
| 2.2.1 局部学习中的相关概念 | 第31-32页 |
| 2.2.2 局部分类和全局分类的相关比较分析 | 第32-34页 |
| 2.2.3 K最近邻分类方法 | 第34-38页 |
| 2.3 贝叶斯决策理论及方法 | 第38-43页 |
| 2.3.1 贝叶斯定理 | 第39-40页 |
| 2.3.2 贝叶斯决策准则 | 第40-42页 |
| 2.3.3 贝叶斯分类方法 | 第42-43页 |
| 2.4 本章小节 | 第43-44页 |
| 第三章 基于局部分布的k最近邻分类方法 | 第44-68页 |
| 3.1 引言 | 第44-45页 |
| 3.2 基于局部概率估计的k最近邻分类算法（LD-kNN） | 第45-48页 |
| 3.2.1 局部后验最大化原则 | 第45-46页 |
| 3.2.2 局部概率分布估计 | 第46-48页 |
| 3.3 对比分析 | 第48-50页 |
| 3.3.1 LD-kNN与V-kNN | 第48页 |
| 3.3.2 LD-kNN与DW-kNN | 第48-49页 |
| 3.3.3 LD-kNN与LC-kNN | 第49页 |
| 3.3.4 LD-kNN与贝叶斯分类 | 第49-50页 |
| 3.4 概率k最近邻分类方法及其一般形式 | 第50-51页 |
| 3.4.1 公式化 | 第50页 |
| 3.4.2 算法流程 | 第50-51页 |
| 3.5 复杂度分析 | 第51-52页 |
| 3.6 实验分析 | 第52-67页 |
| 3.6.1 实验数据集 | 第52-54页 |
| 3.6.2 实验设置 | 第54-56页 |
| 3.6.3 实验一 | 第56-58页 |
| 3.6.4 实验二 | 第58-60页 |
| 3.6.5 实验三 | 第60-63页 |
| 3.6.6 实验四 | 第63-67页 |
| 3.7 本章小节 | 第67-68页 |
| 第四章 基于局部概率模型的概率密度估计 | 第68-84页 |
| 4.1 引言 | 第68-70页 |
| 4.2 局部概率分布理论 | 第70-73页 |
| 4.2.1 问题的提出 | 第70页 |
| 4.2.2 局部概率分布 | 第70-71页 |
| 4.2.3 局部概率分布和全局概率分布的关系 | 第71-73页 |
| 4.3 局部先验概率的估计 | 第73-74页 |
| 4.4 局部概率密度的估计：局部概率模型假设 | 第74-76页 |
| 4.4.1 局部均匀假设(Locally Uniform Assumption, LUA) | 第74-75页 |
| 4.4.2 局部参数模型假设(Locally Parametric Assumption, LPA) | 第75-76页 |
| 4.4.3 局部复杂假设(Locally Complex Assumption, LCA) | 第76页 |
| 4.5 理论分析 | 第76-80页 |
| 4.5.1 局部模型的复杂性 | 第76-79页 |
| 4.5.2 参数选择 | 第79-80页 |
| 4.6 实验分析 | 第80-83页 |
| 4.6.1 大样本量时的估计 | 第80-81页 |
| 4.6.2 小样本量时的估计 | 第81-82页 |
| 4.6.3 局部概率密度估计的效率 | 第82-83页 |
| 4.7 本章小节 | 第83-84页 |
| 第五章 基于局部概率模型的贝叶斯分类方法 | 第84-103页 |
| 5.1 引言 | 第84-85页 |
| 5.2 基于局部概率模型的贝叶斯分类方法 | 第85-89页 |
| 5.2.1 问题的提出 | 第85-86页 |
| 5.2.2 局部概率分类的一般形式 | 第86页 |
| 5.2.3 进一步估计 | 第86-87页 |
| 5.2.4 算法流程 | 第87-89页 |
| 5.3 参数分析 | 第89-90页 |
| 5.3.1 局部区域的影响 | 第89-90页 |
| 5.3.2 局部概率模型的选择 | 第90页 |
| 5.4 LPM-BC的具体化方法 | 第90-95页 |
| 5.4.1 局部选择策略 | 第90-91页 |
| 5.4.2 基于k最近邻的分类方法 | 第91-92页 |
| 5.4.3 V-kNN | 第92-93页 |
| 5.4.4 CAP与LPC | 第93-94页 |
| 5.4.5 贝叶斯分类 | 第94页 |
| 5.4.6 局部贝叶斯分类方法 | 第94-95页 |
| 5.5 实验分析 | 第95-102页 |
| 5.5.1 实验设置 | 第95-96页 |
| 5.5.2 实验结果 | 第96-100页 |
| 5.5.3 参数分析 | 第100页 |
| 5.5.4 特征独立性分析 | 第100-102页 |
| 5.6 本章小节 | 第102-103页 |
| 第六章 局部分类方法在基于EEG的生物识别上的应用 | 第103-114页 |
| 6.1 引言 | 第103-104页 |
| 6.2 数据采集实验 | 第104-105页 |
| 6.3 数据处理流程 | 第105-107页 |
| 6.3.1 信号预处理 | 第106-107页 |
| 6.3.2 规范化 | 第107页 |
| 6.4 局部分类方法的应用 | 第107-109页 |
| 6.4.1 局部概率中心分类算法 | 第107-108页 |
| 6.4.2 身份识别研究中常用的其他分类方法 | 第108-109页 |
| 6.4.3 识别结果投票 | 第109页 |
| 6.5 实验结果分析 | 第109-112页 |
| 6.5.1 局部分类器中局部大小的影响 | 第109-110页 |
| 6.5.2 采样时间长度的影响 | 第110-111页 |
| 6.5.3 分类方法的比较 | 第111-112页 |
| 6.6 本章小节 | 第112-114页 |
| 第七章 总结和展望 | 第114-117页 |
| 参考文献 | 第117-128页 |
| 在学期间的研究成果 | 第128-130页 |
| 致谢 | 第130页 |
