多类别智能分类器方法研究
| 作者简介 | 第3-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-17页 |
| 1.2.1 支持向量机概述 | 第13-15页 |
| 1.2.2 极限学习机概述 | 第15-17页 |
| 1.3 主要研究内容与章节安排 | 第17-20页 |
| 第二章 多类别概率支持向量机 | 第20-34页 |
| 2.1 引言 | 第20页 |
| 2.2 支持向量机 | 第20-24页 |
| 2.2.1 硬判决支持向量机 | 第20-22页 |
| 2.2.2 概率支持向量机 | 第22-24页 |
| 2.3 树状结构多类别概率支持向量机 | 第24-28页 |
| 2.3.1 二叉树多类别支持向量机 | 第24-25页 |
| 2.3.2 算法描述 | 第25-26页 |
| 2.3.3 仿真实验与分析 | 第26-28页 |
| 2.4 二进制编码多类别概率支持向量机 | 第28-31页 |
| 2.4.1 算法描述 | 第29-30页 |
| 2.4.2 仿真实验与分析 | 第30-31页 |
| 2.5 本章小结 | 第31-34页 |
| 第三章 自适应权值多特征融合分类方法 | 第34-46页 |
| 3.1 引言 | 第34-35页 |
| 3.2 自适应权值多特征判决融合方法 | 第35-39页 |
| 3.2.1 算法描述 | 第35-37页 |
| 3.2.2 仿真实验与分析 | 第37-39页 |
| 3.3 综合权值融合方法 | 第39-45页 |
| 3.3.1 非平衡分类问题 | 第40-41页 |
| 3.3.2 权重分类问题 | 第41-42页 |
| 3.3.3 算法描述 | 第42-43页 |
| 3.3.4 仿真实验与分析 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 极限学习机与信息融合 | 第46-58页 |
| 4.1 引言 | 第46页 |
| 4.2 极限学习机 | 第46-49页 |
| 4.3 融合极限学习机 | 第49-55页 |
| 4.3.1 特征级融合方法 | 第49-51页 |
| 4.3.2 决策级融合方法 | 第51-53页 |
| 4.3.3 仿真实验与分析 | 第53-55页 |
| 4.4 本章小结 | 第55-58页 |
| 第五章 极限学习机隐层节点优化方法 | 第58-70页 |
| 5.1 引言 | 第58页 |
| 5.2 多核学习方法 | 第58-61页 |
| 5.3 多隐层输出矩阵极限学习机 | 第61-68页 |
| 5.3.1 混合蛙跳算法 | 第61-62页 |
| 5.3.2 算法描述 | 第62-66页 |
| 5.3.3 仿真实验与分析 | 第66-68页 |
| 5.4 本章小结 | 第68-70页 |
| 第六章 模糊极限学习机 | 第70-80页 |
| 6.1 引言 | 第70页 |
| 6.2 模糊基础理论 | 第70-71页 |
| 6.3 FELM及模糊隶属度设置 | 第71-79页 |
| 6.3.1 算法描述 | 第71-75页 |
| 6.3.2 仿真实验与分析 | 第75-79页 |
| 6.4 本章小结 | 第79-80页 |
| 第七章 总结与展望 | 第80-84页 |
| 7.1 总结 | 第80-81页 |
| 7.2 展望 | 第81-84页 |
| 致谢 | 第84-86页 |
| 参考文献 | 第86-100页 |
| 作者在读期间的研究成果 | 第100-102页 |
