基于支持向量机的特征选择及其集成方法的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| 1 绪论 | 第10-14页 |
| ·研究意义 | 第10-12页 |
| ·主要工作 | 第12-13页 |
| ·论文内容组织 | 第13-14页 |
| 2 特征选择和支持向量机基本概念 | 第14-27页 |
| ·特征选择 | 第14-19页 |
| ·特征选择概念 | 第14页 |
| ·特征选择过程 | 第14-18页 |
| ·特征选择和学习算法结合方式 | 第18页 |
| ·特征选择主要研究方向 | 第18-19页 |
| ·支持向量机相关知识介绍 | 第19-26页 |
| ·两类支持向量机 | 第19-23页 |
| ·多类分类问题 | 第23-26页 |
| ·本章小结 | 第26-27页 |
| 3 基于遗传算法和支持向量机的特征选择方法 | 第27-39页 |
| ·概述 | 第27-31页 |
| ·Relief系列算法 | 第28-30页 |
| ·遗传算法 | 第30-31页 |
| ·RGS算法基础 | 第31-33页 |
| ·染色体的构成 | 第31-32页 |
| ·遗传算法种群初始化 | 第32页 |
| ·适应度函数 | 第32-33页 |
| ·RGS算法 | 第33-35页 |
| ·实验 | 第35-37页 |
| ·实验环境和实验数据 | 第35-36页 |
| ·实验结果及讨论 | 第36-37页 |
| ·本章小结 | 第37-39页 |
| 4 基于特征选择的支持向量机集成方法 | 第39-59页 |
| ·引言 | 第39页 |
| ·集成学习算法综述 | 第39-52页 |
| ·集成学习方法定义 | 第39-40页 |
| ·集成学习的理论分析 | 第40-46页 |
| ·个体分类器的多样性设计方法 | 第46页 |
| ·个体分类器间差异度量 | 第46-50页 |
| ·经典集成学习算法介绍 | 第50-52页 |
| ·基于特征选择的集成学习 | 第52-54页 |
| ·算法设计思路 | 第53页 |
| ·算法设计 | 第53-54页 |
| ·实验结果与分析 | 第54-57页 |
| ·实验描述 | 第54-55页 |
| ·实验目的和实验结果 | 第55-57页 |
| ·本章小结 | 第57-59页 |
| 5 结论 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第64页 |
