导读:本文包含了最小最大模块化网络论文开题报告文献综述及选题提纲参考文献，主要关键词:二分K-均值,最小最大模块化网络,支持向量机,训练集划分
最小最大模块化网络论文文献综述
解晓敏,李云[1]（2012）在《最小最大模块化网络中基于聚类的数据划分方法研究》一文中研究指出利用最小最大模块化网络实现模式分类的关键问题之一就是找到一种有效且复杂度较低的训练样本划分方法,以便缩短训练的时间,得到相对平衡的划分子集.本文提出一种新的基于二分K-均值的训练集划分方法,它可以得到全局最优解,时间复杂度较低,并且可以通过层次聚类得到相对平衡的样本划分效果.在现实数据集上的实验表明,该划分方法在不降低分类精确率的情况下能有效地缩短最小最大模块化网络的训练时间.(本文来源于《南京大学学报(自然科学版)》期刊2012年02期）
王玥[2]（2010）在《基于决策树统合方法的最小最大模块化网络及其在专利分类中的运用》一文中研究指出超大规模的模式识别问题是现在机器学习算法在实际应用中遇到的越来越多的一个难题。随着信息时代的到来,现实中这种大规模问题是很常见的,例如专利分类问题。即便是像支持向量机这样高效率的学习算法,面对超大规模的分类问题,也是难以克服的。在这种情况下,利用丰富的计算资源,使得机器学习并行化,是当前机器学习领域的一个重要发展方向。最小最大模块化支持向量机(M3-SVM)是基于“分而治之”的思想解决大规模问题的有效的学习算法。它通过分解大规模问题,使之转化为大量小规模问题进行学习,并通过有效的分类器集成方法将它们重新组合成为大规模问题的原解,该算法具有天生的并行适应性。为了降低M3-SVM在模块统合阶段的时间复杂度,我们在原有的非对称选择和对称选择等分类器选择方法的基础上,提出了基于决策树的分类器选择算法。实验证明,决策树选择算法在分类效果上与原方法相似。但是大大提高了训练的复杂度。在此基础上,我们又提出了决策树训练数据的选择方法。该方法大大降低的决策树训练的时间,同时也降低的决策树的规模。与ACS与SCS相比更小规模的决策树在并行学习的计算复杂度方面更有优势,同时也节省了磁盘存储空间。在本文中我们设计了大量的实验,包括小规模的双螺旋线实验和大规模的专利分类实验来验证上述观点。(本文来源于《上海交通大学》期刊2010-01-21）
连惠城[3]（2007）在《最小最大模块化网络及人脸属性分类研究》一文中研究指出本论文的主要内容是研究最小最大模块化网络的网络冗余问题、先验知识融入问题、扩展问题,以及最小最大模块化网络在人脸属性分类中的应用。人脸属性分类问题指的是基于人脸图像的性别、年龄、表情和种族等属性分类问题。本文主要讨论性别分类和年龄估计问题。主要贡献包括如下几个方面:提出了线性最小最大模块化网络的反向搜索修剪方法。最小最大模块化网络的冗余性问题是最小最大模块化网络研究的一个重要研究问题。虽然我们可以用并行的机器来运算这些模块,但是如果模块数过多,很难找到能够大规模并行计算的机器。这个时候如果将最小最大模块化网络的冗余模块修剪掉,则不但可以大大减少网络的规模,而且可以减少并行计算的测试时间。本文探讨了如何在线性最小最大模块化网络中进行网络冗余模块的修剪的算法,并在许多标准测试数据集合进行了仿真实验,试验结果表明大部分的冗余模块可以被修剪掉,并且修剪后的网络和修剪前的网络具有相同的一般化性能。此外我们还把修剪后的最小最大模块化网络应用于工业图像的故障诊断当中,得到较好的试验结果。最后我们还开发了一个基于最小最大模块化网络工业图像故障检测的演示系统。提出了多分辨局部二进制模式方法。本文对人脸的特征提取方法进行了研究。我们将局部二进制模式方法(LBP)引入到人脸性别分类的特征提取当中,取得了较好的分类精度。进而,本文提出多分辨的局部二进制(MLBP)模式方法,并将该方法应用到性别分类中,取得比局部二进制模式方法更好的分类结果。我们还将多分辨的局部二进制模式人脸特征提取方法和最小最大模块化网络结合,进行人脸的性别分类和年龄估计。本文首次提出将先验知识融入到最小最大模块化网络中进行学习的方法。我们详细地讨论了先验知识在模式分类和机器学习中的重要性,讨论了如何在最小最大模块化网络学习中融入先验知识的方法。我们在具体的应用中,将角度信息、种族信息和性别信息分别做为先验知识,融入到最小最大模块化网络的学习当中,取得了较好的实验结果。本文首次提出了最小最大模块化网络的可扩展性学习方法。本文详细地讨论了最小最大模块化网络的可扩展性能力,讨论了如何将最小最大模块化网络的可扩展性应用到实际当中。我们在具体的应用中,将带有角度信息和种族信息的分类模块在最小最大模块化网络的学习当中进行扩展性学习。通过扩展性学习,我们可以更加方便地进行系统的更新,能够更加方便地处理大规模分类问题。考虑到最小最大模块化网络具有并行性学习能力,先验知识融入学习能力和可扩展能力,本文将最小最大模块化网络应用到性别分类当中。实验证明最小最大模块化网络的上述优点非常适合于解决像人脸性别分类这样的大规模复杂问题。我们在对性别分类问题进行大量的实验后,证实最小最大模块化网络在许多方面都优于传统的分类器。这些优点包括:与传统分类器相比,具有较高一般化能力、具有更快训练时间和测试时间以及具有非常灵活的可扩展性和先验知识融入结构。另外,我们开发了一个基于最小最大模块化网络的性别分类演示系统。最小最大模块化网络的上述优点同样适合于解决年龄估计问题。本文将性别信息做为先验知识融入到最小最大模块化网络的学习当中,然后进行年龄的估计。实验证明,在年龄估计中,最小最大模块化网络在许多方面都优于传统的分类器。这些优点包括:具有更高的一般化能力、具有更快的训练时间和测试时间以及具有非常方便的先验知识融入结构。另外,我们开发了一个基于最小最大模块化网络的年龄估计演示系统。(本文来源于《上海交通大学》期刊2007-06-01）
最小最大模块化网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
超大规模的模式识别问题是现在机器学习算法在实际应用中遇到的越来越多的一个难题。随着信息时代的到来,现实中这种大规模问题是很常见的,例如专利分类问题。即便是像支持向量机这样高效率的学习算法,面对超大规模的分类问题,也是难以克服的。在这种情况下,利用丰富的计算资源,使得机器学习并行化,是当前机器学习领域的一个重要发展方向。最小最大模块化支持向量机(M3-SVM)是基于“分而治之”的思想解决大规模问题的有效的学习算法。它通过分解大规模问题,使之转化为大量小规模问题进行学习,并通过有效的分类器集成方法将它们重新组合成为大规模问题的原解,该算法具有天生的并行适应性。为了降低M3-SVM在模块统合阶段的时间复杂度,我们在原有的非对称选择和对称选择等分类器选择方法的基础上,提出了基于决策树的分类器选择算法。实验证明,决策树选择算法在分类效果上与原方法相似。但是大大提高了训练的复杂度。在此基础上,我们又提出了决策树训练数据的选择方法。该方法大大降低的决策树训练的时间,同时也降低的决策树的规模。与ACS与SCS相比更小规模的决策树在并行学习的计算复杂度方面更有优势,同时也节省了磁盘存储空间。在本文中我们设计了大量的实验,包括小规模的双螺旋线实验和大规模的专利分类实验来验证上述观点。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
最小最大模块化网络论文参考文献
[1].解晓敏,李云.最小最大模块化网络中基于聚类的数据划分方法研究[J].南京大学学报(自然科学版).2012
[2].王玥.基于决策树统合方法的最小最大模块化网络及其在专利分类中的运用[D].上海交通大学.2010
[3].连惠城.最小最大模块化网络及人脸属性分类研究[D].上海交通大学.2007