| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第15-26页 |
| 1.1 课题背景 | 第15-18页 |
| 1.2 相关研究工作及技术发展 | 第18-24页 |
| 1.2.1 基于矩阵分解模型的迁移学习算法 | 第19-20页 |
| 1.2.2 基于概率模型的迁移学习算法 | 第20页 |
| 1.2.3 基于SVM优化模型的迁移学习分类算法 | 第20-21页 |
| 1.2.4 基于距离度量学习的迁移学习算法 | 第21-22页 |
| 1.2.5 基于子空间映射的迁移学习算法 | 第22页 |
| 1.2.6 基于稀疏特征选择的迁移学习技术 | 第22-23页 |
| 1.2.7 基于主动学习的迁移学习技术 | 第23页 |
| 1.2.8 国内相关研究进展 | 第23-24页 |
| 1.3 本文主要内容及结构 | 第24-26页 |
| 第2章 流形上的鉴别迁移学习算法 | 第26-59页 |
| 2.1 问题概述 | 第26-27页 |
| 2.2 数据符号表示 | 第27-28页 |
| 2.3 问题建模 | 第28-35页 |
| 2.3.1 跨数据域因子差异性调节 | 第30-32页 |
| 2.3.2 流形空间上的几何调节 | 第32-35页 |
| 2.3.3 流形上的鉴别迁移学习 | 第35页 |
| 2.4 模型求解 | 第35-40页 |
| 2.4.1 求解V_π | 第35-37页 |
| 2.4.2 求解U_π | 第37-38页 |
| 2.4.3 求电解H | 第38-39页 |
| 2.4.4 求解系数A | 第39页 |
| 2.4.5 流形上的鉴别迁移学习算法 | 第39-40页 |
| 2.5 算法收敛性分析 | 第40-49页 |
| 2.5.1 变量V_π的收敛性分析 | 第41-44页 |
| 2.5.2 变量U_π的收敛性分析 | 第44-47页 |
| 2.5.3 变量H的收敛性分析 | 第47-48页 |
| 2.5.4 回归系数A的收敛性分析 | 第48-49页 |
| 2.6 实验验证与讨论 | 第49-57页 |
| 2.6.1 数据集介绍 | 第49-50页 |
| 2.6.2 对比算法 | 第50-51页 |
| 2.6.3 参数设置 | 第51页 |
| 2.6.4 实验结果分析与讨论 | 第51-57页 |
| 2.7 本章小结 | 第57-59页 |
| 第3章 跨数据域共享子空间学习 | 第59-81页 |
| 3.1 问题概述 | 第59-60页 |
| 3.2 数据符号表示 | 第60-61页 |
| 3.3 问题建模 | 第61-64页 |
| 3.3.1 跨数据域共享子空间学习 | 第61-62页 |
| 3.3.2 共享空间中低维因子上的联合预测 | 第62-63页 |
| 3.3.3 预测标签上的图结构调节 | 第63-64页 |
| 3.3.4 跨数据共享子空间上的无监督分类模型 | 第64页 |
| 3.4 模型求解 | 第64-67页 |
| 3.4.1 非负变量的更新求解 | 第64-66页 |
| 3.4.2 分类回归系数的求解 | 第66-67页 |
| 3.4.3 跨数据域共享子空间学习算法,COSUF算法 | 第67页 |
| 3.5 算法收敛性分析 | 第67-70页 |
| 3.5.1 变量V的更新法则的收敛性 | 第68-69页 |
| 3.5.2 变量U~s,U',Z和W的更新法则的收敛性分析 | 第69-70页 |
| 3.6 算法复杂度分析 | 第70页 |
| 3.7 实验验证与讨论 | 第70-80页 |
| 3.7.1 数据集介绍 | 第70-71页 |
| 3.7.2 对比算法 | 第71-72页 |
| 3.7.3 参数设置 | 第72页 |
| 3.7.4 实验结果分析与讨论 | 第72-80页 |
| 3.8 本章小结 | 第80-81页 |
| 第4章 跨数据域多视角特征学习 | 第81-111页 |
| 4.1 问题概述 | 第81-82页 |
| 4.2 数据符号表示 | 第82-83页 |
| 4.3 问题建模 | 第83-92页 |
| 4.3.1 跨数据域联合预测模型 | 第83-85页 |
| 4.3.2 多视角跨数据域模型 | 第85-87页 |
| 4.3.3 减少不同数据域间的分布不一致性 | 第87-88页 |
| 4.3.4 目标数据域的局部流形结构 | 第88-90页 |
| 4.3.5 跨数据域的全局语义结构分析 | 第90-91页 |
| 4.3.6 多视角特征下的鉴别迁移学习分类模型 | 第91-92页 |
| 4.4 模型求解 | 第92-94页 |
| 4.4.1 求解变量W | 第92-93页 |
| 4.4.2 求解变量Z | 第93-94页 |
| 4.4.3 跨数据域多视角特征学习算法 | 第94页 |
| 4.5 算法收敛性分析 | 第94-98页 |
| 4.5.1 变量W更新法则的收敛性 | 第94-95页 |
| 4.5.2 变量Z更新法则的收敛性 | 第95-98页 |
| 4.6 实验验证与讨论 | 第98-109页 |
| 4.6.1 数据集介绍 | 第98-100页 |
| 4.6.2 对比算法 | 第100-101页 |
| 4.6.3 参数设置 | 第101-102页 |
| 4.6.4 实验结果分析与讨论 | 第102-109页 |
| 4.7 本章小结 | 第109-111页 |
| 第5章 总结与展望 | 第111-114页 |
| 5.1 本文工作总结 | 第111-112页 |
| 5.2 未来工作展望 | 第112-114页 |
| 参考文献 | 第114-124页 |
| 攻读博士学位期间主要的研究成果 | 第124-125页 |