基于参数化三角范数的集成学习算法研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-17页 |
| ·研究背景与研究现状 | 第9-13页 |
| ·研究背景 | 第9页 |
| ·集成学习的研究现状 | 第9-12页 |
| ·参数化三角范数的研究现状 | 第12-13页 |
| ·论文的主要工作 | 第13-15页 |
| ·论文的研究内容 | 第13-15页 |
| ·论文的研究成果 | 第15页 |
| ·论文的组织结构 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 2 加权参数化三角范数研究 | 第17-23页 |
| ·模糊逻辑 | 第17页 |
| ·三角范数 | 第17-18页 |
| ·加权参数化三角范数 | 第18-22页 |
| ·本章小结 | 第22-23页 |
| 3 基于参数化三角范数的集成分类 | 第23-44页 |
| ·模型建立 | 第23-24页 |
| ·遗传算法 | 第24-25页 |
| ·基分类器建模 | 第25-31页 |
| ·线性分类器 | 第25-27页 |
| ·非线性分类器 | 第27-30页 |
| ·基于正常密度的分类器 | 第30-31页 |
| ·其他组合规则 | 第31-33页 |
| ·基于投票规则的组合规则 | 第31-32页 |
| ·基于贝叶斯理论的组合规则 | 第32-33页 |
| ·集成分类实验验证 | 第33-38页 |
| ·实验数据 | 第33-34页 |
| ·实验步骤 | 第34-35页 |
| ·实验结果与分析 | 第35-38页 |
| ·选择性集成分类实验验证 | 第38-43页 |
| ·实验数据 | 第38-39页 |
| ·实验步骤 | 第39页 |
| ·实验结果与分析 | 第39-43页 |
| ·本章小结 | 第43-44页 |
| 4 基于参数化三角范数的集成预测 | 第44-58页 |
| ·模型建立 | 第44页 |
| ·模型评价指标 | 第44-45页 |
| ·单项预测建模 | 第45-49页 |
| ·自回归AR模型 | 第45-46页 |
| ·BP神经网络预测模型 | 第46-47页 |
| ·RBF神经网络预测模型 | 第47页 |
| ·极限学习预测模型 | 第47-48页 |
| ·支持向量机预测模型 | 第48-49页 |
| ·其他组合预测模型 | 第49-50页 |
| ·均方误差倒数组合预测模型 | 第49页 |
| ·加权平均组合预测模型 | 第49-50页 |
| ·实验验证 | 第50-57页 |
| ·实验数据 | 第50页 |
| ·实验步骤 | 第50-51页 |
| ·实验结果与分析 | 第51-57页 |
| ·本章小结 | 第57-58页 |
| 5 基于参数化三角范数的集成学习系统 | 第58-72页 |
| ·系统需求分析 | 第58页 |
| ·系统设计 | 第58-61页 |
| ·总体设计 | 第58-59页 |
| ·详细设计 | 第59-61页 |
| ·系统实现 | 第61-71页 |
| ·系统主界面 | 第61-62页 |
| ·集成分类子系统 | 第62-66页 |
| ·集成预测子系统 | 第66-71页 |
| ·本章小结 | 第71-72页 |
| 6 总结与展望 | 第72-74页 |
| ·总结 | 第72页 |
| ·展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 附录 | 第78页 |
