| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 引言 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 研究现状与存在问题 | 第11-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 1.5 本章小结 | 第15-17页 |
| 第2章 协同训练算法 | 第17-29页 |
| 2.1 协同训练算法回顾 | 第17-18页 |
| 2.2 协同训练算法基本原理 | 第18-19页 |
| 2.3 几种典型的协同训练算法 | 第19-25页 |
| 2.3.1 Co-Training算法 | 第19-20页 |
| 2.3.2 Tri-Training算法 | 第20-23页 |
| 2.3.3 Co-forest算法 | 第23-25页 |
| 2.4 协同训练算法描述 | 第25-26页 |
| 2.5 协同训练算法的应用 | 第26-27页 |
| 2.6 协同训练算法优缺点 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第3章 基于样本代表性的协同训练算法 | 第29-39页 |
| 3.1 样本代表性度量 | 第29页 |
| 3.2 基于样本代表性的协同训练算法 | 第29-31页 |
| 3.3 实验验证及算法性能分析 | 第31-37页 |
| 3.3.1 实验数据集 | 第31-32页 |
| 3.3.2 EnCoTrain与不同协同训练算法分类效果对比 | 第32-35页 |
| 3.3.3 EnCoTrain算法稳定性分析 | 第35-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 基于样本信息量和代表性的增强协同训练算法 | 第39-49页 |
| 4.1 一种样本标记不确定性度量方法 | 第39-41页 |
| 4.2 基于样本信息量和代表性的增强协同训练算法 | 第41-43页 |
| 4.3 实验验证及算法性能分析 | 第43-48页 |
| 4.3.1 实验数据集和参数设置 | 第43页 |
| 4.3.2 参数β敏感性分析 | 第43页 |
| 4.3.3 UCI数据集上实验结果分析 | 第43-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 总结及展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 致谢 | 第57-59页 |
| 发表论文 | 第59页 |