| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 多标签学习算法研究现状 | 第11-12页 |
| 1.2.2 稀疏表示的研究现状 | 第12-13页 |
| 1.3 本文的工作与安排 | 第13-15页 |
| 第二章 多标签学习及稀疏表示分类相关基础 | 第15-23页 |
| 2.1 多标签学习 | 第15-18页 |
| 2.1.1 问题转化方法 | 第15-16页 |
| 2.1.2 算法适应方法 | 第16页 |
| 2.1.3 多标签学习框架 | 第16-17页 |
| 2.1.4 性能评估指标 | 第17-18页 |
| 2.2 稀疏表示分类 | 第18-19页 |
| 2.3 多标签分类的经典算法 | 第19-21页 |
| 2.3.1 基于稀疏表示的多标记学习算法(ML-SRC) | 第19-20页 |
| 2.3.2 基于k近邻的多标记学习算法(ML-KNN) | 第20-21页 |
| 2.4 本章小结 | 第21-23页 |
| 第三章 基于非负稀疏表示的多标签学习算法 | 第23-37页 |
| 3.1 非负稀疏表示 | 第23-27页 |
| 3.2 基于非负稀疏表示的多标签学习算法(ML-NSRC) | 第27页 |
| 3.3 实验与分析 | 第27-35页 |
| 3.3.1 实验数据 | 第28-29页 |
| 3.3.2 实验结果 | 第29-35页 |
| 3.4 本章小结 | 第35-37页 |
| 第四章 基于非负稀疏近邻表示的多标签学习算法 | 第37-49页 |
| 4.1 稀疏近邻表示分类算法(SNRC) | 第37-38页 |
| 4.2 非负稀疏近邻分类(NSNRC) | 第38-42页 |
| 4.2.1 NSNRC目标函数 | 第38-39页 |
| 4.2.2 NSNRC的优化算法 | 第39页 |
| 4.2.3 算法收敛性分析 | 第39-41页 |
| 4.2.4 算法复杂度分析 | 第41-42页 |
| 4.3 基于非负稀疏近邻表示的多标签学习算法(ML-NSNRC) | 第42-44页 |
| 4.3.1 ML-NSNRC的重构误差求解 | 第42-43页 |
| 4.3.2 ML-NSNRC的标签预测 | 第43-44页 |
| 4.4 实验结果 | 第44-48页 |
| 4.4.1 实验数据简介 | 第44-45页 |
| 4.4.2 ML-NSNRC中参数初始化的影响 | 第45-46页 |
| 4.4.3 ML-NSNRC中近邻数k的影响 | 第46页 |
| 4.4.4 多标签数据分类结果与分析 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 总结和展望 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士学位期间参加的科研项目 | 第57页 |
