基于聚类的相关向量机快速分类算法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-14页 |
| ·课题背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-12页 |
| ·相关向量机的研究现状 | 第11-12页 |
| ·相关向量机的研究方向 | 第12页 |
| ·本文的主要工作及章节安排 | 第12-14页 |
| 第二章 相关向量机原理 | 第14-30页 |
| ·相关向量机基础理论 | 第14-16页 |
| ·贝叶斯体系 | 第14页 |
| ·贝叶斯学习过程 | 第14-15页 |
| ·贝叶斯学习优缺点 | 第15页 |
| ·贝叶斯公式 | 第15页 |
| ·贝叶斯统计模型 | 第15-16页 |
| ·相关向量机模型 | 第16-22页 |
| ·相关向量机回归 | 第17-20页 |
| ·相关向量机分类 | 第20-22页 |
| ·超参数 | 第22-23页 |
| ·超参数的先验 | 第22-23页 |
| ·超参数更新分析 | 第23页 |
| ·基于EM 算法的训练过程 | 第23-24页 |
| ·RVM 快速改进算法 | 第24-29页 |
| ·快速边界似然算法 | 第24-27页 |
| ·基于Gram-Schmidt算法的RVM训练 | 第27-28页 |
| ·Boosting RVM算法 | 第28-29页 |
| ·本章总结 | 第29-30页 |
| 第三章 聚类分析 | 第30-36页 |
| ·聚类分析 | 第30-31页 |
| ·聚类分析的定义 | 第30页 |
| ·相似性度量 | 第30-31页 |
| ·几种常见聚类算法 | 第31-35页 |
| ·K-Means聚类算法 | 第31-32页 |
| ·层次聚类法 | 第32-33页 |
| ·Bit Reduction聚类算法 | 第33-34页 |
| ·基于密度的DBSCAN算法 | 第34-35页 |
| ·本章总结 | 第35-36页 |
| 第四章 基于聚类的RVM 快速分类算法 | 第36-54页 |
| ·BS-RVM的基本思想 | 第36-37页 |
| ·BS-RVM的训练流程 | 第37-41页 |
| ·聚类划分阶段 | 第38-40页 |
| ·Bit Reduction聚类 | 第38-39页 |
| ·不平衡两类簇 | 第39-40页 |
| ·分类器生成阶段 | 第40页 |
| ·指标统计阶段 | 第40页 |
| ·时间复杂度分析 | 第40-41页 |
| ·BS-RVM的测试流程 | 第41-43页 |
| ·分类器的选择方法 | 第42-43页 |
| ·分类器测试判断及指标统计 | 第43页 |
| ·实验与测试 | 第43-51页 |
| ·实验数据集介绍 | 第43-44页 |
| ·参数选择及实验环境 | 第44页 |
| ·实验结果及分析 | 第44-46页 |
| ·BS-RVM中的参数分析 | 第46-51页 |
| ·相关向量 | 第51-52页 |
| ·相关向量的概念 | 第51页 |
| ·相关向量定性解释 | 第51-52页 |
| ·本章总结 | 第52-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间取得的研究成果 | 第58-59页 |
| 致谢 | 第59-60页 |
| 附件 | 第60页 |
