基于机器学习的分类算法研究
| 摘要 | 第1-6页 |
| abstract | 第6-10页 |
| 1 绪论 | 第10-17页 |
| ·课题研究背景及意义 | 第10-12页 |
| ·支持向量机研究背景和现状 | 第12-13页 |
| ·BP神经网络研究背景和现状 | 第13-15页 |
| ·本文的研究目的和成果 | 第15页 |
| ·本文的组织结构 | 第15-16页 |
| ·小结 | 第16-17页 |
| 2 机器学习方法支持向量机和BP神经网络原理 | 第17-34页 |
| ·统计学习方法 | 第17-20页 |
| ·支持向量机 | 第20-28页 |
| ·线性可分情况 | 第20-23页 |
| ·线性不可分情况 | 第23-24页 |
| ·支持向量机变体形式介绍 | 第24-28页 |
| ·BP神经网络 | 第28-33页 |
| ·BP神经网络原理和推导 | 第28-31页 |
| ·BP神经网络改进方法 | 第31-33页 |
| ·小结 | 第33-34页 |
| 3 具有N-S磁极效应的最大间隔模糊分类器 | 第34-43页 |
| ·引言 | 第34-35页 |
| ·MPMMFC | 第35-38页 |
| ·N-S磁极效应 | 第35页 |
| ·线性可分 | 第35-38页 |
| ·非线性可分 | 第38页 |
| ·最大间隔 ρ 和b求解方法 | 第38-39页 |
| ·判别函数 | 第39-40页 |
| ·算法理论分析 | 第40-42页 |
| ·算法性能分析 | 第40-41页 |
| ·可调参数 ν 性质 | 第41-42页 |
| ·小结 | 第42-43页 |
| 4 基于信度的BP神经网络 | 第43-49页 |
| ·引言 | 第43页 |
| ·基于信度的BP神经网络 | 第43-47页 |
| ·CBP算法思想 | 第43-45页 |
| ·CBP算法步骤 | 第45-46页 |
| ·CBP算法性能 | 第46-47页 |
| ·网络初始值选择 | 第47页 |
| ·网络结构设计 | 第47-48页 |
| ·小结 | 第48-49页 |
| 5 仿真实验 | 第49-59页 |
| ·具有N-S磁极效应的最大间隔模糊分类器 | 第49-53页 |
| ·实验参数设置 | 第50-51页 |
| ·人工数据集 | 第51-52页 |
| ·UCI数据集 | 第52-53页 |
| ·基于信度的BP神经网络 | 第53-57页 |
| ·XOR仿真实验 | 第54-56页 |
| ·非线性函数逼近仿真实验 | 第56-57页 |
| ·小结 | 第57-59页 |
| 6 总结和展望 | 第59-62页 |
| ·总结 | 第59-60页 |
| ·下一步研究展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第66-67页 |
| 致谢 | 第67-68页 |
