| 摘要 | 第1-4页 |
| ABSTRACT | 第4-11页 |
| 主要符号表 | 第11-12页 |
| 1 绪论 | 第12-25页 |
| ·研究背景及意义 | 第12-13页 |
| ·国内外研究现状及进展 | 第13-19页 |
| ·Bagging和Boosting算法概述 | 第19-23页 |
| ·本文的主要研究工作 | 第23-25页 |
| 2 局部的Boosting分类算法 | 第25-37页 |
| ·引言 | 第25-26页 |
| ·局部的Boosting分类算法 | 第26-29页 |
| ·模拟试验 | 第29-35页 |
| ·邻域N(·)大小的影响 | 第29-30页 |
| ·参数β的影响 | 第30页 |
| ·与其他方法的比较 | 第30-31页 |
| ·对噪声的稳健性 | 第31-33页 |
| ·Kappa-Error图 | 第33-35页 |
| ·实际数据分析 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 3 一种新的集成分类算法 | 第37-49页 |
| ·引言 | 第37-38页 |
| ·基于Bagging、主成分分析和Random Subspace方法的集成分类算法 | 第38-41页 |
| ·数值试验 | 第41-47页 |
| ·预测精度与计算时间的比较 | 第41-44页 |
| ·统计检验 | 第44-46页 |
| ·Kappa-Error图 | 第46-47页 |
| ·本章小结 | 第47-49页 |
| 4 基于Bagging和Rotation Forest的集成分类算法 | 第49-70页 |
| ·引言 | 第49-51页 |
| ·基于Bagging和Rotation Forest的集成分类算法 | 第51-53页 |
| ·数值试验 | 第53-69页 |
| ·预测误差的比较 | 第54-55页 |
| ·误差的偏差和方差分解 | 第55-62页 |
| ·对噪声的稳健性 | 第62-66页 |
| ·Kappa-Error图 | 第66-69页 |
| ·本章小结及进一步的研究 | 第69-70页 |
| 5 利用Rotation Forest解决回归问题 | 第70-84页 |
| ·引言 | 第70-73页 |
| ·解决回归问题的Rotation Forest算法 | 第73-74页 |
| ·数值试验 | 第74-82页 |
| ·参数M的影响 | 第75-76页 |
| ·与其他方法的比较 | 第76-82页 |
| ·本章小结 | 第82-84页 |
| 6 利用Boosting修剪Double-Bagging集成学习机 | 第84-98页 |
| ·利用Boosting修剪Double-Bagging集成学习机的算法 | 第84-89页 |
| ·数值试验 | 第89-96页 |
| ·试验设计 | 第89-90页 |
| ·试验结果 | 第90-95页 |
| ·噪声的影响 | 第95-96页 |
| ·本章小结 | 第96-98页 |
| 7 多响应线性回归合并准则在多分类问题中的性能研究 | 第98-108页 |
| ·引言 | 第98-99页 |
| ·MLR的工作机制及利用训练数据的不同技术 | 第99-100页 |
| ·MLR的工作机制 | 第99-100页 |
| ·利用训练数据的不同技术 | 第100页 |
| ·试验研究 | 第100-107页 |
| ·试验设计 | 第101-102页 |
| ·试验结果分析 | 第102-105页 |
| ·复杂性分析 | 第105-107页 |
| ·本章小结 | 第107-108页 |
| 8 总结与展望 | 第108-110页 |
| ·总结 | 第108-109页 |
| ·展望 | 第109-110页 |
| 参考文献 | 第110-122页 |
| 附录 | 第122-133页 |
| 致谢 | 第133-135页 |
| 攻读学位期间取得的研究成果 | 第135页 |
