| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第13-15页 |
| 缩略语对照表 | 第15-20页 |
| 第一章 绪论 | 第20-34页 |
| 1.1 核学习 | 第20-21页 |
| 1.2 多核学习的发展历史及研究现状 | 第21-24页 |
| 1.2.1 半定规划求解多核学习 | 第21-22页 |
| 1.2.2 二阶锥形规划求解多核学习 | 第22页 |
| 1.2.3 基于切平面的交替优化求解多核学习 | 第22-23页 |
| 1.2.4 基于梯度下降的交替优化求解多核学习 | 第23-24页 |
| 1.2.5 基于解析优化的交替优化求解多核学习 | 第24页 |
| 1.3 高光谱遥感图像分类 | 第24-28页 |
| 1.3.1 高光谱图像分类难点 | 第25-26页 |
| 1.3.2 高光谱图像维数约简研究现状 | 第26-28页 |
| 1.3.3 高光谱图像不平衡分类研究现状 | 第28页 |
| 1.4 自然图像分类 | 第28-30页 |
| 1.4.1 自然图像分类的难点 | 第28-29页 |
| 1.4.2 自然图像分类研究现状 | 第29-30页 |
| 1.5 论文的主要内容 | 第30-34页 |
| 第二章 选择性多核学习 | 第34-50页 |
| 2.1 引言 | 第34页 |
| 2.2 多核学习与集成学习的关系 | 第34-36页 |
| 2.3 量化的核评估方法 | 第36-41页 |
| 2.3.1 二元核评估 | 第37-38页 |
| 2.3.2 核排列与二元核评估的比较 | 第38-41页 |
| 2.4 选择性的多核学习 | 第41-43页 |
| 2.4.1 基于聚类的核选择 | 第41-42页 |
| 2.4.2 L∞约束下的选择性多核学习优化 | 第42-43页 |
| 2.5 实验结果与分析 | 第43-48页 |
| 2.5.1 实验设置 | 第43页 |
| 2.5.2 UCI数据集上的实验 | 第43-46页 |
| 2.5.3 场景图像集上的实验 | 第46-48页 |
| 2.6 本章小结 | 第48-50页 |
| 第三章基于随机核的多核学习 | 第50-64页 |
| 3.1 引言 | 第50页 |
| 3.2 基于随机核的多核学习 | 第50-54页 |
| 3.2.1 基于随机核的多核学习时间复杂度分析 | 第50-51页 |
| 3.2.2 随机核的构造 | 第51-53页 |
| 3.2.3 基于随机核的多核学习理论分析 | 第53-54页 |
| 3.3 基于随机核的选择性多核学习 | 第54-55页 |
| 3.4 实验结果与分析 | 第55-63页 |
| 3.4.1 UCI数据集上的实验 | 第55-59页 |
| 3.4.2 模拟雷达图像库的实验 | 第59-61页 |
| 3.4.3 胃癌的淋巴结检测实验 | 第61-63页 |
| 3.5 本章小结 | 第63-64页 |
| 第四章基于两阶段多核学习的高光谱降维 | 第64-82页 |
| 4.1 引言 | 第64-65页 |
| 4.2 多核学习的理论分析 | 第65-67页 |
| 4.2.1 L1范数约束的多核学习一般性误差分析 | 第65-66页 |
| 4.2.2 两阶段多核学习的理论分析 | 第66-67页 |
| 4.3 两阶段多核学习 | 第67-69页 |
| 4.3.1 两阶段多核学习的第一阶段 | 第68-69页 |
| 4.3.2 两阶段多核学习的第二阶段 | 第69页 |
| 4.4 实验结果与分析 | 第69-80页 |
| 4.4.1 实验设置 | 第69-71页 |
| 4.4.2 Salinas图像实验 | 第71-73页 |
| 4.4.3 Indian Pines图像实验 | 第73-75页 |
| 4.4.4 Pavia图像实验 | 第75-77页 |
| 4.4.5 选择的波段分析 | 第77-78页 |
| 4.4.6 多核学习优化时间分析 | 第78-79页 |
| 4.4.7 参数分析 | 第79-80页 |
| 4.5 本章小结 | 第80-82页 |
| 第五章基于多核学习的不平衡高光谱图像分类 | 第82-94页 |
| 5.1 引言 | 第82页 |
| 5.2 传统分类器与经典的不平衡分类器 | 第82-85页 |
| 5.2.1 传统分类器与不平衡数据 | 第82-83页 |
| 5.2.2 经典的不平衡分类器 | 第83-85页 |
| 5.3 基于多核学习的不平衡分类器 | 第85-88页 |
| 5.3.1 选用最大margin准则的理由 | 第85-86页 |
| 5.3.2 生成新分类器 | 第86-87页 |
| 5.3.3 最大margin的分类器集成 | 第87页 |
| 5.3.4 基于多核学习的最大margin分类器求解 | 第87-88页 |
| 5.4 实验结果与分析 | 第88-92页 |
| 5.4.1 实验设置 | 第88-90页 |
| 5.4.2 分类结果比较与分析 | 第90-91页 |
| 5.4.3 参数分析 | 第91-92页 |
| 5.5 本章小结 | 第92-94页 |
| 第六章基于多核学习的自然图像分类 | 第94-114页 |
| 6.1 引言 | 第94-96页 |
| 6.2 空间金子塔划分与多核学习的关系 | 第96-97页 |
| 6.3 弹性空间金子塔划分 | 第97-102页 |
| 6.3.1 最大辨别力与差异性准则 | 第97-98页 |
| 6.3.2 基于克隆免疫的搜索 | 第98-100页 |
| 6.3.3 基于多核学习的权重分配 | 第100-102页 |
| 6.4 实验结果与分析 | 第102-112页 |
| 6.4.1 实验设置 | 第102-103页 |
| 6.4.2 Caltech101图像库实验 | 第103-108页 |
| 6.4.3 Caltech256图像库实验 | 第108-109页 |
| 6.4.4 Oxford flowers图像库实验 | 第109-110页 |
| 6.4.5 参数分析 | 第110-112页 |
| 6.5 本章小结 | 第112-114页 |
| 第七章 总结与展望 | 第114-118页 |
| 参考文献 | 第118-134页 |
| 致谢 | 第134-136页 |
| 作者简介 | 第136-138页 |
| 1. 基本情况 | 第136页 |
| 2. 教育背景 | 第136页 |
| 3. 攻读博士学位期间的研究成果 | 第136-138页 |