1. 毕业设计（论文）主要目标：
本文从空间角度考虑数据的分布，试图用单点感知数据的空间分布，利用数据在空间中分布的特点，对数据复杂的空间分布进行区域描述，基于数据的空间分布去构建分类模型。
在遵从数据原始分布的前提下，保证良好的学习性能和泛化性能。
2. 毕业设计（论文）主要内容：
一、选题背景
数据分布是模式分类的核心议题，若数据的分布已知，目前贝叶斯网络可以达到很好的分类效果。由于对已知的数据分布的认识有限，面对现实世界各种复杂的分布，只能通过已知的分布或者数理统计的方法去近似未知复杂的分布，但是在理论上，这种可以近似的情况并不是很多，这大大限制了贝叶斯网络的应用。对于传统的BP分类算法，其设计中绝大部分都没有遵循数据分布的原则思想。比如，在网络结构上，为了寻求问题的解，随意增减单层神经元个数或网络的层数，对原始数据空间进行映射。这种神经元或网络层的增减，自然会对问题空间中数据的分布造成影响，更多时候表现为破坏数据的原本分布，虽然达到了良好的学习性能，但在泛化性能上均表现不佳。在空间映射时保持数据原来的分布是一个重要原则，比如SVM很好的遵从了数据的分布，在数据线性可分的情况下，SVM可以生成一个合理的超平面。再比如CNN，在图像识别的过程中，保留了图像的位置信息，这从侧面依然遵从着数据的分布。那么既然数据在数学意义上的描述有限，而数据分布对于模式分类又十分重要，所以本文从空间角度考虑数据的分布，试图用单点感知数据的空间分布，利用数据在空间中分布的特点，对数据复杂的空间分布进行区域描述，基于数据的空间分布去构建分类模型。在遵从数据原始分布的前提下，保证良好的学习性能和泛化性能。
二、算法的设计思路
3. 主要参考文献
[1]Corinna Cortes,Vladimir Vapnik.Support Vector Network.DBLP, September 1995
[2]Goldszmidt,Moises.Bayesian Network Classifiers.Machine Learning,1997,29(2-3):131-163
[3]D.E.Rumelhart,G.E.Hinton,R.J.Williams.Learning representation by back-propagating errors[J].Nature,1986
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
