文摘
英文文摘
声明
1绪论
1.1研究背景及研究意义
1.1.1研究背景
1.1.2研究意义
1.2模式识别
1.2.1统计模式识别的主要组成部分
1.2.2统计模式识别问题的主要研究方法
1.3国内外研究现状
1.3.1贝叶斯学习理论
1.3.2分类器集成学习
1.3.3基于支持向量机的模式识别
1.4研究内容及研究思路
1.5论文的主要研究工作
2相关的基础理论
2.1支持向量机概述
2.2支持向量机基本理论
2.2.1基本概念
2.2.2基本原理
2.2.3基本分类理论
2.3基于支持向量机的多类模式识别模型
2.3.1“一对多”多分类算法
2.3.2“一对一”多分类算法
2.4本章小结
3基于SVM的多类模式识别模型
3.1引言
3.2基于“一对一”的二叉树多类模式识别模型
3.2.1多类模式识别模型的数学描述
3.2.2模型介绍
3.2.3模型分析
3.3基于多重判别分析的SVM多类模式识别模型
3.3.1问题的数学描述
3.3.2基本原理
3.3.3模型建立
3.3.4模型的算法及计算流程
3.3.5模型验证
3.3.6结论
3.4动态多分类模式识别模型
3.4.1问题的数学描述
3.4.2基本原理
3.4.3动态多分类模式识别模型
3.4.4计算流程图
3.4.5模型验证
3.4.6结论
3.5本章小结
4基于后验概率SVM的不确定性多类模式识别模型
4.1引言
4.2后验概率支持向量机
4.2.1不确定性模式识别问题
4.2.2最优超平面
4.2.3广义最优超平面
4.2.4后验概率支持向量机
4.3基于后验概率支持向量机的不确定性多类模式识别
4.3.1多类模式识别问题的数学描述
4.3.2基于“后验概率矩阵”的多类模式识别模型
4.4确定样本点后验概率的经验性方法
4.5模型验证
4.6本章小结
5分类模型的集成系统研究
5.1分类模型输出信息
5.2分类模型集成类型
5.2.1级联分类模型
5.2.2并联分类模型
5.3基于投票规则的集成
5.3.1基于投票规则的集成建模
5.3.2对投票规则的分析
5.4基于贝叶斯理论的集成
5.4.1 混淆矩阵、先验知识和置信度
5.4.2基于贝叶斯理论的集成建模
5.4.3对基于贝叶斯理论的集成分析
5.5对分类模型集成的进一步讨论
6结论与展望
致谢
参考文献
附录