| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-18页 |
| ·研究背景 | 第11-12页 |
| ·国内外研究现状 | 第12-15页 |
| ·支持向量机研究 | 第12-13页 |
| ·半监督学习研究进展 | 第13-15页 |
| ·半监督支持向量机研究发展 | 第15页 |
| ·论文的目的和意义 | 第15-16页 |
| ·论文所完成工作 | 第16-18页 |
| 第2章 支持向量机简介 | 第18-25页 |
| ·构造最优分类界面 | 第18-20页 |
| ·衍生广义最优分类面 | 第20-21页 |
| ·构建多维空间下的最优分类面 | 第21-23页 |
| ·核函数的选择 | 第23页 |
| ·支持向量机实验 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于图的半监督学习算法研究 | 第25-34页 |
| ·图的构建 | 第25-26页 |
| ·局部和全局一致性法 | 第26-28页 |
| ·理论设想 | 第27页 |
| ·算法步骤 | 第27-28页 |
| ·标识传递法 | 第28-30页 |
| ·模型构建 | 第28-29页 |
| ·算法介绍 | 第29页 |
| ·算法求解分析 | 第29-30页 |
| ·高斯随机场和调和函数法 | 第30-32页 |
| ·高斯随机场 | 第30-31页 |
| ·拉普拉斯图 | 第31页 |
| ·调和函数 | 第31-32页 |
| ·联合其他领域知识 | 第32-33页 |
| ·联合类别比例知识 | 第32-33页 |
| ·联合伪标识样本 | 第33页 |
| ·本章小结 | 第33-34页 |
| 第4章 基于两阶段学习的半监督支持向量机分类算法 | 第34-46页 |
| ·算法简介 | 第34页 |
| ·传统的支持向量机分类算法分析 | 第34-35页 |
| ·基于两阶段学习的半监督 SVM 算法 | 第35-38页 |
| ·算法中的伪标识生成 | 第35-37页 |
| ·算法中核宽度的确定 | 第37页 |
| ·对伪标识样本进行去噪处理 | 第37-38页 |
| ·基于两阶段学习的半监督 SVM 算法流程 | 第38页 |
| ·人工和 UCI 样本集实验 | 第38-40页 |
| ·故障检测实验 | 第40-44页 |
| ·算法流程 | 第41页 |
| ·故障检测实验对比 | 第41-42页 |
| ·未标识样本数目对本文算法的影响实验 | 第42-44页 |
| ·参数对本文算法的影响 | 第44页 |
| ·本章小结 | 第44-46页 |
| 第5章 基于高斯混合模型核的半监督 SVM 分类算法 | 第46-57页 |
| ·算法简介 | 第46页 |
| ·基于半监督高斯混合模型核的 SVM 算法 | 第46-50页 |
| ·半监督高斯混合模型核 | 第46-49页 |
| ·结合半监督高斯混合模型核的 SVM 算法 | 第49-50页 |
| ·结合半监督高斯混合模型核的 SVM 算法流程 | 第50页 |
| ·算法时间复杂度分析 | 第50页 |
| ·实验分析 | 第50-56页 |
| ·实验样本 | 第50-51页 |
| ·半监督高斯混合模型核的相似度对比试验 | 第51-52页 |
| ·不同算法的分类性能比较 | 第52-53页 |
| ·不同标识样本数目下 SVM 分类的性能比较 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第64-65页 |
| 致谢 | 第65页 |