| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第15-16页 |
| 缩略语对照表 | 第16-20页 |
| 第一章 绪论 | 第20-38页 |
| 1.1 研究背景与意义 | 第20-22页 |
| 1.2 基于进化多目标优化的机器学习研究进展和现状 | 第22-30页 |
| 1.2.1 进化多目标机器学习的国内外研究情况 | 第22-25页 |
| 1.2.2 自步学习的国内外研究情况 | 第25-30页 |
| 1.3 基于机器学习的多目标优化研究进展和现状 | 第30-34页 |
| 1.3.1 基于学习的多目标优化的国内外研究情况 | 第30-31页 |
| 1.3.2 进化多任务优化的国内外研究情况 | 第31-34页 |
| 1.4 论文的组织结构 | 第34-38页 |
| 第二章 基于分解多目标优化的自步学习算法 | 第38-56页 |
| 2.1 相关背景 | 第38-44页 |
| 2.1.1 基于分解的进化多目标优化 | 第38-40页 |
| 2.1.2 自步学习的正则化理论 | 第40-44页 |
| 2.2 基于分解多目标优化的自步学习算法 | 第44-47页 |
| 2.2.1 多目标模型 | 第44-46页 |
| 2.2.2 基于步长序列的分解 | 第46页 |
| 2.2.3 多目标粒子群优化 | 第46-47页 |
| 2.3 实验对比研究 | 第47-53页 |
| 2.4 本章总结 | 第53-56页 |
| 第三章 基于改进正则的自步学习算法 | 第56-76页 |
| 3.1 对数软权重和混合权重方法的相关推导 | 第56-59页 |
| 3.2 多项式软权重自步正则 | 第59-62页 |
| 3.3 理论证明 | 第62-65页 |
| 3.3.1 多项式自步函数满足自步函数定义的三个条件 | 第62-63页 |
| 3.3.2 自步学习在多项式自步函数下的鲁棒性说明 | 第63-65页 |
| 3.4 实验对比研究 | 第65-74页 |
| 3.4.1 动作识别数据集实验 | 第65-71页 |
| 3.4.2 事件检测数据集实验 | 第71-74页 |
| 3.5 本章总结 | 第74-76页 |
| 第四章 基于自步学习的遥感图像变化检测算法 | 第76-92页 |
| 4.1 基于自步学习的遥感图像变化检测方法 | 第76-79页 |
| 4.2 基于自步学习的支持向量机相关推导 | 第79-84页 |
| 4.3 基于自步学习的人工神经网络相关推导 | 第84-87页 |
| 4.4 实验对比研究 | 第87-90页 |
| 4.5 本章总结 | 第90-92页 |
| 第五章 基于多任务学习启发的多目标稀疏优化算法 | 第92-114页 |
| 5.1 相关背景 | 第92-98页 |
| 5.1.1 多任务学习，多任务优化与多目标优化 | 第92-95页 |
| 5.1.2 多任务环境下的多目标优化 | 第95-98页 |
| 5.2 基于多任务优化的多目标稀疏优化算法 | 第98-104页 |
| 5.2.1 多任务稀疏重建模型 | 第99-101页 |
| 5.2.2 表示和初始化 | 第101页 |
| 5.2.3 任务内和任务间的遗传迁移 | 第101-103页 |
| 5.2.4 个体评价 | 第103-104页 |
| 5.3 实验对比研究 | 第104-111页 |
| 5.4 本章总结 | 第111-114页 |
| 第六章 基于多任务优化的多目标高光谱解混算法 | 第114-136页 |
| 6.1 相关背景 | 第114-118页 |
| 6.1.1 混合光谱模型 | 第115-116页 |
| 6.1.2 稀疏解混模型 | 第116-118页 |
| 6.2 基于多任务优化的多目标高光谱解混算法 | 第118-123页 |
| 6.2.1 多目标高光谱解混模型 | 第118-119页 |
| 6.2.2 多任务环境下的多目标稀疏解混 | 第119-123页 |
| 6.3 实验对比研究 | 第123-133页 |
| 6.3.1 模拟数据集实验 | 第123-127页 |
| 6.3.2 标准数据集实验 | 第127-133页 |
| 6.4 本章总结 | 第133-136页 |
| 第七章 总结与展望 | 第136-140页 |
| 7.1 论文工作总结 | 第136-137页 |
| 7.2 未来研究展望 | 第137-140页 |
| 参考文献 | 第140-154页 |
| 致谢 | 第154-156页 |
| 作者简介 | 第156-160页 |
