基于聚类与分类结合的多示例预测算法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第1章 绪论 | 第10-15页 |
| ·研究背景 | 第10页 |
| ·研究现状 | 第10-13页 |
| ·多示例学习的可学习性 | 第10-11页 |
| ·相关算法研究 | 第11-13页 |
| ·本文研究内容 | 第13页 |
| ·组织结构 | 第13-15页 |
| 第2章 多示例学习的相关研究 | 第15-24页 |
| ·机器学习的分类 | 第15-17页 |
| ·输入集合分类 | 第15页 |
| ·输出集合分类 | 第15页 |
| ·训练数据集分类 | 第15-17页 |
| ·学习算法分类 | 第17页 |
| ·多示例学习的概念 | 第17-19页 |
| ·多示例学习模型 | 第19-21页 |
| ·模型建立 | 第19页 |
| ·多示例模型分类 | 第19-21页 |
| ·多示例学习模式总结 | 第21-23页 |
| ·示例空间模式 | 第21-22页 |
| ·包空间模式 | 第22页 |
| ·嵌入空间模式 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 基于聚类的多示例预测算法 | 第24-35页 |
| ·聚类的概念及分析过程 | 第24-27页 |
| ·聚类概念 | 第24页 |
| ·聚类分析的过程 | 第24-25页 |
| ·聚类相似性度量 | 第25-27页 |
| ·评价准则 | 第27页 |
| ·聚类算法概述 | 第27-31页 |
| ·基于划分的聚类算法 | 第28-29页 |
| ·层次聚类算法 | 第29-30页 |
| ·SOM聚类算法 | 第30页 |
| ·FCM聚类算法 | 第30-31页 |
| ·多示例聚类算法 | 第31-34页 |
| ·算法描述 | 第32页 |
| ·算法实现步骤 | 第32-33页 |
| ·算法评价 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 基于聚类与分类结合的多示例预测算法 | 第35-43页 |
| ·三种分类器算法 | 第35-38页 |
| ·支持向量机 | 第35-36页 |
| ·BP神经网络 | 第36-37页 |
| ·K最近邻 | 第37-38页 |
| ·多示例预测分析 | 第38-39页 |
| ·算法描述 | 第39-40页 |
| ·多示例预测数据集 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第5章 实验结果及分析 | 第43-49页 |
| ·实验环境 | 第43-45页 |
| ·实验设计、结果与分析 | 第45-48页 |
| ·标准数据集 | 第45页 |
| ·广义多示例学习数据集 | 第45-48页 |
| ·本章小结 | 第48-49页 |
| 第6章 总结与展望 | 第49-51页 |
| ·工作总结 | 第49页 |
| ·展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 后记 | 第54-55页 |
| 攻读硕士学位期间论文发表及科研情况 | 第55页 |
