| 摘要 | 第13-15页 |
| ABSTRACT | 第15-18页 |
| 第一章 绪论 | 第19-28页 |
| 1.1 研究背景 | 第19-20页 |
| 1.2 研究现状 | 第20-22页 |
| 1.2.1 稀疏和非稀疏多核学习算法研究 | 第20-21页 |
| 1.2.2 集成半径多核算法研究 | 第21页 |
| 1.2.3 两步多核学习算法及其它多核学习算法研究 | 第21-22页 |
| 1.3 研究内容 | 第22-25页 |
| 1.3.1 最优邻居核学习算法研究 | 第22-23页 |
| 1.3.2 集成半径多核学习算法研究 | 第23页 |
| 1.3.3 缺失多核学习算法研究研究 | 第23页 |
| 1.3.4 样本自适应多核学习算法研究 | 第23-24页 |
| 1.3.5 多核极限机学习算法研究 | 第24页 |
| 1.3.6 全局和局部相似度保存的特征选择算法研究 | 第24-25页 |
| 1.4 研究成果 | 第25-27页 |
| 1.5 论文结构 | 第27-28页 |
| 第二章 自适应最优邻居核学习算法 | 第28-49页 |
| 2.1 引言 | 第28-29页 |
| 2.2 相关工作 | 第29-30页 |
| 2.3 自适应最优邻居核学习算法 | 第30-38页 |
| 2.3.1 问题形式化 | 第30-31页 |
| 2.3.2 最优邻居核G的性质 | 第31-32页 |
| 2.3.3 两个实例 | 第32-34页 |
| 2.3.4 优化问题求解 | 第34-38页 |
| 2.3.5 讨论与扩展 | 第38页 |
| 2.4 最优邻居核学习的概率解释 | 第38-41页 |
| 2.4.1 概率解释 | 第39-40页 |
| 2.4.2 第一类核学习算法的概率解释 | 第40页 |
| 2.4.3 第二类核学习算法的概率解释 | 第40-41页 |
| 2.4.4 第三类核学习算法的概率解释 | 第41页 |
| 2.5 实验结果 | 第41-48页 |
| 2.5.1 实验设置 | 第42-43页 |
| 2.5.2 UCI数据集上的实验结果 | 第43-45页 |
| 2.5.3 Graz02数据集上的实验结果 | 第45-46页 |
| 2.5.4 蛋白质亚细胞定位数据集上的实验结果 | 第46-48页 |
| 2.6 小结 | 第48-49页 |
| 第三章 基于半径 -间距的多核学习算法 | 第49-70页 |
| 3.1 引言 | 第49-51页 |
| 3.2 相关工作 | 第51-53页 |
| 3.3 提出的算法 | 第53-60页 |
| 3.3.1 R~2与tr(S_T) 的关系 | 第53-54页 |
| 3.3.2 集成tr(S_T) 到多核学习 | 第54-58页 |
| 3.3.3 算法 | 第58-59页 |
| 3.3.4 讨论 | 第59-60页 |
| 3.4 实验结果 | 第60-69页 |
| 3.4.1 UCI数据集上的实验结果 | 第60-67页 |
| 3.4.2 蛋白质亚细胞定位数据集上的实验结果 | 第67-68页 |
| 3.4.3 Caltech101数据集上的实验结果 | 第68-69页 |
| 3.5 小结 | 第69-70页 |
| 第四章 一种用于预测阿尔兹魔症的有效地集成半径的多核学习算法 | 第70-86页 |
| 4.1 引言 | 第70-72页 |
| 4.2 相关工作 | 第72-74页 |
| 4.2.1 基于间距的多核学习 | 第72-73页 |
| 4.2.2 多核导出特征空间中的最小包含球半径 | 第73-74页 |
| 4.2.3 集成半径的多核学习算法 | 第74页 |
| 4.3 提出的算法 | 第74-80页 |
| 4.3.1 近似最小包含球半径 | 第75-76页 |
| 4.3.2 提出的多核学习算法（L2BRMKL） | 第76-80页 |
| 4.4 改进分析 | 第80-81页 |
| 4.4.1 近似半径 | 第80页 |
| 4.4.2 自动调整参数C | 第80-81页 |
| 4.5 实验结果 | 第81-85页 |
| 4.5.1 数据集和实验设置 | 第81-82页 |
| 4.5.2 UCI上的实验结果 | 第82页 |
| 4.5.3 AD数据集上的实验结果 | 第82-85页 |
| 4.5.4 计算效率 | 第85页 |
| 4.6 小结 | 第85-86页 |
| 第五章 缺失多核学习算法 | 第86-105页 |
| 5.1 引言 | 第86-87页 |
| 5.2 相关工作 | 第87-89页 |
| 5.2.1 基于样本的间距 | 第87-88页 |
| 5.2.2 多核学习 | 第88-89页 |
| 5.3 缺失多核学习算法 | 第89-95页 |
| 5.3.1 缺失多核学习中的样本间距 | 第89页 |
| 5.3.2 提出的I-AMKL | 第89-92页 |
| 5.3.3 提出的C-AMKL | 第92-94页 |
| 5.3.4 讨论 | 第94-95页 |
| 5.4 实验结果 | 第95-104页 |
| 5.4.1 实验设置 | 第95-97页 |
| 5.4.2 蛋白质亚细胞定位数据集上的实验结果 | 第97-102页 |
| 5.4.3 蛋白质折叠预测上的实验结果 | 第102-103页 |
| 5.4.4 Caltech101上的实验结果 | 第103-104页 |
| 5.5 小结 | 第104-105页 |
| 第六章 样本自适应多核学习算法 | 第105-118页 |
| 6.1 引言 | 第105-106页 |
| 6.2 相关背景与符号 | 第106-107页 |
| 6.3 提出的样本自适应多核学习算法 | 第107-110页 |
| 6.3.1 问题形式化 | 第107-108页 |
| 6.3.2 优化算法 | 第108-110页 |
| 6.4 讨论 | 第110-112页 |
| 6.4.1 开关模式h的个数 | 第110-111页 |
| 6.4.2 推理方法 | 第111页 |
| 6.4.3 计算效率 | 第111-112页 |
| 6.5 实验结果 | 第112-117页 |
| 6.5.1 蛋白质折叠预测上的实验结果 | 第112-113页 |
| 6.5.2 标准多核学习数据集上的实验结果 | 第113-117页 |
| 6.6 小结 | 第117-118页 |
| 第七章 多核极限机 | 第118-138页 |
| 7.1 引言 | 第118-119页 |
| 7.2 相关工作 | 第119-120页 |
| 7.2.1 极限机算法 | 第119-120页 |
| 7.2.2 多核学习 | 第120页 |
| 7.3 多核极限机 | 第120-125页 |
| 7.3.1 稀疏多核极限机 | 第121-122页 |
| 7.3.2 非稀疏多核极限机 | 第122-123页 |
| 7.3.3 集成半径多核极限机 | 第123-125页 |
| 7.3.4 讨论 | 第125页 |
| 7.4 实验结果 | 第125-137页 |
| 7.4.1 实验设置 | 第125-126页 |
| 7.4.2 数据集 | 第126-127页 |
| 7.4.3 稀疏多核学习算法比较 | 第127-132页 |
| 7.4.4 非稀疏多核学习算法的比较 | 第132-137页 |
| 7.5 小结 | 第137-138页 |
| 第八章 全局与局部结构保存特征选择学习算法 | 第138-158页 |
| 8.1 引言 | 第138-140页 |
| 8.2 相关工作 | 第140-142页 |
| 8.3 提出的特征选择框架 | 第142-146页 |
| 8.3.1 全局和局部结构保存框架 | 第142页 |
| 8.3.2 三个基于GLSPFS算法 | 第142-144页 |
| 8.3.3 算法分析与收敛性证明 | 第144-145页 |
| 8.3.4 对局部结构保存的讨论 | 第145-146页 |
| 8.4 实验结果 | 第146-156页 |
| 8.4.1 实验设置 | 第146-147页 |
| 8.4.2 数据集 | 第147-148页 |
| 8.4.3 评价准则 | 第148页 |
| 8.4.4 实验 | 第148-154页 |
| 8.4.5 全局和局部结构保存重要性分析 | 第154-156页 |
| 8.5 小结 | 第156-158页 |
| 第九章 结束语 | 第158-160页 |
| 9.1 工作总结 | 第158-159页 |
| 9.2 工作展望 | 第159-160页 |
| 致谢 | 第160-161页 |
| 参考文献 | 第161-173页 |
| 作者在学期间取得的学术成果 | 第173-176页 |
| 附录A稀疏MK-ELM基核权重的推导 | 第176-177页 |
| 附录B非稀疏MK-ELM基核权重的推导 | 第177-178页 |
| 附录C定理 7.1 的证明 | 第178-180页 |
| 附录D集成半径MK-ELM基核权重的推导 | 第180-181页 |
| 附录E定理 8.1 的证明 | 第181-182页 |
