| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-10页 |
| 1.1 研究背景和意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 本课题的研究内容 | 第9页 |
| 1.4 论文的章节设置 | 第9-10页 |
| 第2章 多标签分类方法与标签编码方法 | 第10-24页 |
| 2.1 多标签分类算法 | 第11-14页 |
| 2.1.1 数据分解方法 | 第11-12页 |
| 2.1.2 算法扩展方法 | 第12-13页 |
| 2.1.3 混合方法 | 第13-14页 |
| 2.1.4 集成方法 | 第14页 |
| 2.1.5 标签编码方法 | 第14页 |
| 2.2 标签编码算法 | 第14-21页 |
| 2.2.1 特征降维算法 | 第15-16页 |
| 2.2.2 标签压缩类方法 | 第16-18页 |
| 2.2.3 标签扩张类方法 | 第18-20页 |
| 2.2.4 特征与标签同时压缩的混合类方法 | 第20-21页 |
| 2.3 多标签分类的评价指标与多标签数据集 | 第21-23页 |
| 2.3.1 多标签分类的评价指标 | 第21-22页 |
| 2.3.2 多标签分类数据集 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 最大化依赖度的标签编码LCCMD算法 | 第24-34页 |
| 3.1 Hilbert-Schmidt独立性准则 | 第24页 |
| 3.2 LCCMD模型的求解过程 | 第24-25页 |
| 3.3 LCCMD模型的编码过程 | 第25-26页 |
| 3.4 LCCMD模型的相关实验 | 第26-33页 |
| 3.4.1 实验数据集 | 第26页 |
| 3.4.2 实验对比算法参数设置 | 第26-27页 |
| 3.4.3 实验结果与分析 | 第27-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于对称编码网络的标签编码LCCSN算法 | 第34-52页 |
| 4.1 深度学习与自动编码网络 | 第34-35页 |
| 4.1.1 深度学习 | 第34页 |
| 4.1.2 自动编码器 | 第34-35页 |
| 4.2 基于极限学习机思想的LCCSN模型 | 第35-40页 |
| 4.2.1 极限学习机 | 第35-38页 |
| 4.2.2 基于极限学习机的LCCSN模型训练过程 | 第38-40页 |
| 4.3 LCCSN模型的编码过程 | 第40-41页 |
| 4.4 LCCSN模型的相关实验 | 第41-51页 |
| 4.4.1 实验数据集与训练集上的参数调谐 | 第41-42页 |
| 4.4.2 实验结果与分析 | 第42-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 总结 | 第52-53页 |
| 附录 | 第53-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79页 |