| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-18页 |
| ·数据挖掘介绍 | 第9-11页 |
| ·数据分类 | 第11-13页 |
| ·分类的基本概念 | 第11-12页 |
| ·数据挖掘中分类的常用方法 | 第12-13页 |
| ·半监督学习 | 第13-16页 |
| ·半监督学习的研究现状 | 第13-14页 |
| ·半监督学习的基本技术 | 第14-16页 |
| ·半监督学习的意义 | 第16页 |
| ·本论文的主要工作 | 第16-17页 |
| ·本论文的组织结构 | 第17-18页 |
| 第2章 基于近邻技术的半监督分类算法及其改进 | 第18-29页 |
| ·引言 | 第18页 |
| ·相关问题描述 | 第18-19页 |
| ·半监督学习的定义 | 第18页 |
| ·K最近邻分类算法 | 第18-19页 |
| ·基于K近邻的半监督自训练(KNN-self-training)分类算法 | 第19-20页 |
| ·改进的K近邻半监督模型(Improvement KNN-self-training)算法实现 | 第20-22页 |
| ·实验与讨论 | 第22-28页 |
| ·数据集及实验方法 | 第22页 |
| ·实验结果 | 第22-27页 |
| ·实验结果分析 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 半监督支持向量机算法的研究 | 第29-37页 |
| ·引言 | 第29页 |
| ·半监督支持向量机模型介绍 | 第29-33页 |
| ·半监督支持向量机模型 | 第29-30页 |
| ·一种改进的分支定界的半监督支持向量机算法IBBS~3VM | 第30-33页 |
| ·随迭代次数变化的粒子群算法(TVPSO) | 第33页 |
| ·一种基于粒子群优化半监督支持向量机参数的分类算法 | 第33-35页 |
| ·实验与讨论 | 第35-36页 |
| ·数据集及实验方法 | 第35页 |
| ·实验结果分析 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 基于 Co-training的半监督学习算法的研究 | 第37-45页 |
| ·引言 | 第37页 |
| ·Co-training的半监督学习算法 | 第37-38页 |
| ·基于Co-training算法的改进 | 第38-39页 |
| ·实验与讨论 | 第39-43页 |
| ·数据集及实验方法 | 第39-40页 |
| ·实验结果 | 第40-41页 |
| ·实验结果分析 | 第41-43页 |
| ·本章小结 | 第43-45页 |
| 第5章 全文总结与展望 | 第45-47页 |
| ·全文总结 | 第45页 |
| ·进一步的工作 | 第45-47页 |
| 参考文献 | 第47-52页 |
| 读研期间撰写的论文 | 第52页 |
| 读研期间研究项目情况 | 第52页 |
| 读研期间获奖情况 | 第52-53页 |
| 致谢 | 第53-54页 |
