| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 1 绪论 | 第10-13页 |
| ·研究背景和意义 | 第10-11页 |
| ·国内外研究现状 | 第11-12页 |
| ·论文主要工作 | 第12-13页 |
| 2 支持向量机 | 第13-23页 |
| ·最优化理论 | 第13-14页 |
| ·最优分离超平面 | 第14-15页 |
| ·构建最优分离超平面 | 第15-22页 |
| ·线性情况 | 第15-21页 |
| ·非线性情况 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 3 集成学习 | 第23-33页 |
| ·集成学习简介 | 第23-25页 |
| ·集成学习概念 | 第23-24页 |
| ·集成学习有效性 | 第24页 |
| ·集成学习中的分类问题 | 第24-25页 |
| ·集成学习的主要算法 | 第25-28页 |
| ·Bagging 算法 | 第25-26页 |
| ·Boosting 算法 | 第26-28页 |
| ·Bagging 算法与Boosting 算法的比较 | 第28页 |
| ·选择性集成 | 第28-32页 |
| ·选择性集成的提出 | 第28-29页 |
| ·选择性集成的理论基础 | 第29-31页 |
| ·选择性集成算法GASEN | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 4 分类支持向量机集成学习 | 第33-42页 |
| ·基于Bagging的分类SVM集成学习 | 第33-34页 |
| ·算法描述 | 第33-34页 |
| ·分类器结合方法 | 第34页 |
| ·基于AdaBoost的分类SVM 集成学习 | 第34-37页 |
| ·算法描述 | 第34-36页 |
| ·分类器结合方法 | 第36-37页 |
| ·实验模拟及分析 | 第37-41页 |
| ·数据预处理 | 第37-38页 |
| ·实验结果及分析 | 第38-41页 |
| ·本章小结 | 第41-42页 |
| 5 基于粒子群优化算法的支持向量机选择性集成 | 第42-54页 |
| ·粒子群优化算法 | 第42-47页 |
| ·PSO 概念与算法流程 | 第42-44页 |
| ·粒子群优化算法的参数含义和简介 | 第44-46页 |
| ·PSO 算法的优点 | 第46-47页 |
| ·基于粒子群优化算法的选择性集成PSOSEN | 第47-49页 |
| ·问题的提出 | 第47页 |
| ·基于粒子优化算法的选择性集成方法 | 第47-49页 |
| ·改进的粒子群优化算法 | 第49-50页 |
| ·问题的提出 | 第49页 |
| ·改进的粒子群优化算法 | 第49-50页 |
| ·实验结果及分析 | 第50-53页 |
| ·数据说明 | 第50-51页 |
| ·实验结果及分析 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 6 总结和展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录 | 第60页 |