| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第11-16页 |
| 1.1 课题研究的背景与意义 | 第11-12页 |
| 1.2 相关领域的国内外研究现状 | 第12-14页 |
| 1.2.1 多示例学习研究现状 | 第12-13页 |
| 1.2.2 极限学习机研究现状 | 第13-14页 |
| 1.3 论文主要工作及结构安排 | 第14-16页 |
| 2 多示例学习理论与算法研究 | 第16-29页 |
| 2.1 多示例概论 | 第16-18页 |
| 2.1.1 多示例学习的概念和数学定义 | 第16-17页 |
| 2.1.2 多示例例的假设条件件 | 第17-18页 |
| 2.2 多示例问题总体解决思路 | 第18-21页 |
| 2.3 基于多示例空间的学习算法 | 第21-24页 |
| 2.3.1 轴平行矩形算法 | 第22页 |
| 2.3.2 Diversity Density（DD）及其EM变形 | 第22-24页 |
| 2.4 基于包空间的多示例学习算法 | 第24-26页 |
| 2.4.1 Citation-kNN | 第24页 |
| 2.4.2 多示例支持向量机 | 第24-25页 |
| 2.4.3 多示例决策树 | 第25-26页 |
| 2.5 多示例回归 | 第26-27页 |
| 2.6 本章小结 | 第27-29页 |
| 3 基于极限学习机的多示例算法 | 第29-42页 |
| 3.1 极限学习机原理 | 第29-33页 |
| 3.1.1 单隐层前馈神经网络 | 第29-30页 |
| 3.1.2 基本的极限学习机 | 第30-31页 |
| 3.1.3 极限学习机的本质 | 第31页 |
| 3.1.4 正则化极限学习机 | 第31-33页 |
| 3.2 基于极限学习机的多示例学习算法 | 第33-36页 |
| 3.2.1 ELM-MIL算法原理 | 第33-35页 |
| 3.2.2 算法分析 | 第35-36页 |
| 3.3 基于bagging优化 | 第36-40页 |
| 3.3.1 Bagging | 第36-38页 |
| 3.3.2 基于Bagging优化的MIL-ELM | 第38-39页 |
| 3.3.3 算法分析 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 4 基于RBF核极限学习机的多示例学习 | 第42-52页 |
| 4.1 核极限学习机 | 第42-43页 |
| 4.2 Hausdorff距离 | 第43-45页 |
| 4.3 MI-ELM算法 | 第45-51页 |
| 4.3.1 算法原理 | 第45-49页 |
| 4.3.2 算法分析 | 第49-51页 |
| 4.3.3 两种Hausdorff距离比较 | 第51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 实验设计与分析 | 第52-63页 |
| 5.1 实验环境 | 第52页 |
| 5.2 分类标准测试数据集 | 第52-56页 |
| 5.2.1 药物活性预测 | 第52-53页 |
| 5.2.2 实验设定 | 第53页 |
| 5.2.3 实验结果 | 第53-56页 |
| 5.3 图像分类 | 第56-60页 |
| 5.3.1 基于图像内容的检索和分类 | 第56-58页 |
| 5.3.2 图像分割和表示 | 第58-59页 |
| 5.3.3 实验设定 | 第59-60页 |
| 5.3.4 实验结果 | 第60页 |
| 5.4 多示例回归分析 | 第60-62页 |
| 5.4.1 多示例应用介绍 | 第60-61页 |
| 5.4.2 实验设定 | 第61页 |
| 5.4.3 实验结果及分析 | 第61-62页 |
| 5.5 本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| 6.1 本文总结 | 第63-64页 |
| 6.2 研究工作展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 个人简历、在校期间发表的学术论文与研究成果 | 第71页 |