| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-15页 |
| ·课题研究的背景 | 第10-12页 |
| ·分类与聚类 | 第10-11页 |
| ·Parzen Window 概率密度估计 | 第11页 |
| ·迁移学习及领域自适应问题 | 第11-12页 |
| ·分类聚类算法中的几个问题 | 第12-13页 |
| ·课题研究内容和本文结构 | 第13-15页 |
| 第二章 基于最大化概率密度差的 L2核分类器 | 第15-24页 |
| ·引言 | 第15页 |
| ·L_2核分类器 | 第15-17页 |
| ·L_2核分类器的基本思想 | 第15-16页 |
| ·L_2核分类器算法分析 | 第16-17页 |
| ·基于最大化密度差的L_2核分类器 | 第17-19页 |
| ·基于最大化密度差的L_2核分类器目标函数 | 第17页 |
| ·的估计 | 第17-18页 |
| ·目标函数优化 | 第18-19页 |
| ·参数讨论 | 第19页 |
| ·实验结果及分析 | 第19-23页 |
| ·实验环境 | 第19页 |
| ·人造数据集 | 第19-22页 |
| ·UCI 数据集 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 基于相似度差的大间隔快速学习模型 | 第24-38页 |
| ·引言 | 第24-25页 |
| ·相似度差支持向量机(DSSVM) | 第25-29页 |
| ·DSSVM 原始形式 | 第25-28页 |
| ·核化形式 | 第28页 |
| ·决策函数 | 第28-29页 |
| ·DSSVM 的优势与计算复杂度分析 | 第29页 |
| ·MEB 和 CC-MEB 最小球问题 | 第29-31页 |
| ·MEB 最小球 | 第29-30页 |
| ·中心约束 CC-MEB 最小球 | 第30-31页 |
| ·相似度差支持核向量机(DSCVM) | 第31-33页 |
| ·相似度差支持向量机和 CC-MEB 的关系 | 第31-32页 |
| ·DSCVM 算法的实现 | 第32-33页 |
| ·实验结果与分析 | 第33-37页 |
| ·DSSVM 实验 | 第34-35页 |
| ·DSCVM 实验 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 在大规模数据集上进行快速自适应同步聚类 | 第38-56页 |
| ·引言 | 第38-39页 |
| ·同步聚类模型 | 第39-42页 |
| ·Kuramoto 模型 | 第39-40页 |
| ·基于 Kuramoto 模型的同步聚类模型(Sync) | 第40-42页 |
| ·快速自适应同步聚类算法 FAKCS | 第42-47页 |
| ·同步序列参量rK DE | 第42-43页 |
| ·基于概率密度估计的大规模数据集压缩方法 | 第43-45页 |
| ·在压缩集上进行 自适应的同步聚类 | 第45-47页 |
| ·FAKCS 算法及其时间复杂度 | 第47页 |
| ·实验结果与分析 | 第47-54页 |
| ·不同规模的人造大规模数据集 | 第48-49页 |
| ·图像分割实验 | 第49-53页 |
| ·其他真实数据集 | 第53-54页 |
| ·本章小结 | 第54-56页 |
| 第五章 正交模糊 k 平面聚类算法 | 第56-70页 |
| ·引言 | 第56页 |
| ·k 平面聚类算法(kPC)及模糊 k 平面聚类算法(FkPC) | 第56-58页 |
| ·kPC 算法 | 第56-57页 |
| ·FkPC 算法 | 第57-58页 |
| ·正交模糊 k 平面聚类算法(OFkPC) | 第58-63页 |
| ·正交模糊 k 平面聚类算法(OFkPC)基本思想 | 第58-59页 |
| ·OFkPC 算法的核心问题及理论证明 | 第59-62页 |
| ·定理 5.1 的证明 | 第62-63页 |
| ·OFkPC 算法描述及收敛性分析 | 第63页 |
| ·实验结果与分析 | 第63-69页 |
| ·人工数据集实验 | 第64-66页 |
| ·UCI 数据集实验 | 第66-69页 |
| ·本章小结 | 第69-70页 |
| 第六章 基于支持向量机的领域自适应方法 | 第70-103页 |
| ·引言 | 第70-71页 |
| ·基于 MMD 思想的大间隔直推式迁移学习方法 LMPROJ | 第71-73页 |
| ·大间隔分类器 | 第72页 |
| ·大间隔直推式迁移学习方法 | 第72-73页 |
| ·散度差支持向量机 | 第73-77页 |
| ·散度差支持向量机目标函数 | 第73-74页 |
| ·散度差支持向量机算法描述 | 第74-76页 |
| ·散度差支持向量机的相关问题讨论 | 第76-77页 |
| ·DDSVM 实验及分析 | 第77-84页 |
| ·人造数据集 | 第78-82页 |
| ·真实数据集 | 第82-84页 |
| ·基于类分布的领域自适应支持向量机(CDASVM) | 第84-91页 |
| ·基于类分布的投影的最大均值差距离度量 | 第85页 |
| ·PMMDDMCD 的核密度估计本质 | 第85-87页 |
| ·CDASVM 的目标函数 | 第87-88页 |
| ·CDASVM 算法描述 | 第88-91页 |
| ·问题讨论 | 第91页 |
| ·CDASVM 实验研究 | 第91-96页 |
| ·人造香蕉型数据集 | 第91-94页 |
| ·真实数据集 | 第94-96页 |
| ·适合多源领域自适应的 CDASVM(MSCDASVM) | 第96-99页 |
| ·MSCDASVM 方法的目标函数 | 第97-99页 |
| ·问题讨论 | 第99页 |
| ·MSCDASVM 实验研究 | 第99-101页 |
| ·人造香蕉型数据集 | 第99页 |
| ·经验参数 k 性能影响实验 | 第99-100页 |
| ·真实数据集 | 第100-101页 |
| ·MSCDASVM 实验结论 | 第101页 |
| ·本章小结 | 第101-103页 |
| 第七章 结束语 | 第103-105页 |
| 致谢 | 第105-106页 |
| 参考文献 | 第106-113页 |
| 附录 | 第113页 |
