声明
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状及文献综述
1.2.1 分类数据特征选择方案的研究现状
1.2.2 分类算法比较分析研究现状
1.2.3 分类算法集成方法研究现状
1.2.4 研究评述
1.3 研究内容及技术路线
1.3.1 研究内容
1.3.2 研究方法
1.3.3 技术路线
1.4 本章小结
2 相关理论概述
2.1 分类挖掘的概念与过程
2.2 分类性能评估准则与方法
2.2.1 评价准则
2.2.2 性能评估方法
2.3 集成学习理论
2.3.1 集成学习的基本概念
2.3.2 集成学习的作用
2.3.3 集成学习的过程
2.3.4 集成学习的主要算法
2.4 粒子群算法
2.5 本章小结
3 对特征选择算法mRMR的改进研究
3.1特征选择算法mRMR的功能特点及描述
3.1.1 特征选择算法mRMR的功能
3.1.2 特征选择算法mRMR描述
3.2 对 mRMR算法的改进思路及方案
3.2.1 对mRMR算法改进的必要性
3.2.2 对mRMR算法的改进方案
3.3 改进mRMR特征选择算法的实验验证
3.3.1 实验环境与实验数据
3.3.2 实验过程设计
3.3.3 实验参数设置
3.3.4 实验与结果分析
3.4 本章小结
4 典型分类算法的实验对比分析
4.1 参与对比的分类算法选择
4.2 实验环境构建与实验数据选择
4.2.1 实验环境
4.2.2 实验数据的选择
4.2.3 数据预处理
4.3 分类算法参数的选择与设置
4.4 实验结果分析
4.4.1 分类精度的比较分析
4.4.2 分类效率的比较分析
4.4.3 可伸缩性的比较分析
4.4.4 鲁棒性的比较分析
4.5 本章小结
5 基于改进粒子群算法的分类算法集成研究
5.1 分类算法集成方法比较
5.2 粒子群算法改进的背景及策略
5.3 实验方法分析
5.3.1 改进粒子群算法优化权重的过程
5.3.2 基于改进粒子群算法集成分类算法的实施过程
5.4 实验与结果分析
5.4.1 实验环境与实验数据
5.4.2 实验内容设计
5.4.3 实验结果与分析
5.5 本章小结
6 结论与展望
6.1 研究结论
6.2 研究不足与展望
致谢
参考文献
附录:典型分类算法性能的原始实验测试结果
攻读硕士学位期间的主要研究成果及奖励情况
西安理工大学;