文摘
英文文摘
声明
第一章绪论
§1.1人工智能与机器学习
§1.2人工智能的NP完全难问题?
§1.3分类算法的国内外研究现状
§1.3.1多类分类各种算法简介
§1.3.2分类算法的各种应用
§1.4 纠错输出编码及其缺陷
§1.5本文的主要贡献
§1.6问题的数学定义和符号约定
§1.6.1问题的数学描述
§1.6.2符号和术语的约定
§1.7本文组织
§1.8本章小结
第二章机器学习理论和支持向量机
§2.1统计机器学习理论的一些渊源
§2.1.1学习机器的产生
§2.1.2学习理论基础的创立
§2.1.3神经网络的创立
§2.1.4统计学习理论
§2.2学习问题的表述
§2.2.1分类问题
§2.2.2回归
§2.2.3密度估计
§2.3经验风险最小化原则
§2.4统计机器学习的主要理论
§2.4.1推广能力的界
§2.4.2结构风险最小化原则
§2.5支持向量机
§2.5.1最优分类超平面
§2.5.2支持向量机的原问题及其对偶问题
§2.5.3二次规划的优化策略
§2.6核函数技巧
§2.6.1核学习方法简介
§2.6.2核方法在SVM中的应用
§2.7支持向量机的改进版本
§2.7.1 Weston等的多类支持向量机
§2.7.2 Crammer等的多类支持向量机
§2.7.3 Guermeur等的多类支持向量机
§2.8本章小结
第三章纠错输出编码及其间隔定义
§3.1 ECOC框架算法
§3.2编码(encoding)过程
§3.3训练(learning)过程
§3.4解码(decoding)过程
§3.5 ECOC框架的特点
§3.6 ECOC下的间隔定义
§3.6.1区分函数
§3.6.2 ECOC分类器的间隔
§3.7本章小结
第四章ECO输出空间的距离函数学习改进
§4.1 ECOC输出空间距离函数学习
§4.1.1损失函数的原问题定义
§4.1.2对偶问题
§4.1.3核技巧
§4.2优化策略
§4.3本章小结
第五章ECOC算法的一致学习改进
§5.1 ECOC的一致学习
§5.1.1损失函数原问题定义
§5.1.2对偶问题
§5.1.3核技巧
§5.2优化策略
§5.3与Guermeur的SVM的关系
§5.4与Weston等的SVM的关系
§5.5与Cai和Hofmann等的分层SVM的关系
§5.6本章小结
第六章改进方法的性能验证
§6.1在UCI标准数据库上的预测性能比较
§6.1.1一致学习的ECOC性能验证
§6.1.2基于输出空间距离函数学习的ECOC性能验证
§6.2改进算法在多智能体系统中的应用
§6.2.1 RoboCup下的协作对抗中对手建模和识别
§6.2.2数据来源和实验设置
§6.2.3特征定义
§6.2.4实验参数设置
§6.2.5实验结果
§6.3基于颜色的目标识别
§6.3.1数据来源
§6.3.2实验设置
§6.3.3算法流程
§6.3.4实验结果
§6.4本章小结
笫七章总结与展望
§7.1本文算法总结
§7.2未来研究展望
§7.3本章小结
参考文献
致谢
个人简历、在学期间的研究成果及发表的论文
在学期间的发表的论文及科研项目
浙江大学;