| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 半监督学习研究内容和现状 | 第11-16页 |
| 1.2.1 半监督学习的研究内容 | 第11-12页 |
| 1.2.2 两个基本假设 | 第12页 |
| 1.2.3 半监督学习技术的研究现状 | 第12-15页 |
| 1.2.4 半监督学习需解决的问题 | 第15-16页 |
| 1.3 论文的研究内容 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 第2章 半监督支持向量机基本理论 | 第18-28页 |
| 2.1 最优分类超平面 | 第18-20页 |
| 2.2 支持向量机 | 第20-23页 |
| 2.2.1 支持向量机基本原理 | 第20-22页 |
| 2.2.2 核函数及其参数 | 第22-23页 |
| 2.3 基于半监督学习的支持向量机 | 第23-27页 |
| 2.3.1 半监督支持向量机基本原理 | 第23-24页 |
| 2.3.2 半监督支持向量机的发展现状 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于均值漂移的标签均值支持向量机图像分类 | 第28-42页 |
| 3.1 引言 | 第28-29页 |
| 3.2 通过标签均值训练支持向量机 | 第29-30页 |
| 3.3 Mean Shift图像平滑 | 第30-31页 |
| 3.3.1 算法原理 | 第30-31页 |
| 3.3.2 算法收敛性分析 | 第31页 |
| 3.4 基于均值漂移的标签均值SVM | 第31-34页 |
| 3.4.1 算法思想与步骤 | 第31-32页 |
| 3.4.2 参数取值影响 | 第32-33页 |
| 3.4.3 参数选取分析 | 第33-34页 |
| 3.5 仿真实验和结果分析 | 第34-40页 |
| 3.5.1 实验数据选取 | 第34页 |
| 3.5.2 参数设定 | 第34-35页 |
| 3.5.3 实验结果 | 第35-38页 |
| 3.5.4 分类正确率分析 | 第38-39页 |
| 3.5.5 时间效率分析 | 第39-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第4章 参数自适应的半监督复合核支持向量机图像分类 | 第42-54页 |
| 4.1 引言 | 第42页 |
| 4.2 半监督复合核 | 第42-44页 |
| 4.2.1 Mean Map聚类核 | 第42-43页 |
| 4.2.2 复合核函数 | 第43-44页 |
| 4.3 Mean Shift聚类参数自适应 | 第44-47页 |
| 4.3.1 自适应原理 | 第44-46页 |
| 4.3.2 收敛性分析 | 第46-47页 |
| 4.4 基于Mean Shift参数自适应的半监督复合核SVM | 第47-48页 |
| 4.5 仿真实验和结果分析 | 第48-52页 |
| 4.5.1 实验数据选取 | 第48页 |
| 4.5.2 参数设定 | 第48-50页 |
| 4.5.3 实验结果 | 第50-51页 |
| 4.5.4 结果分析 | 第51-52页 |
| 4.6 本章小结 | 第52-54页 |
| 第5章 总结与展望 | 第54-58页 |
| 5.1 本文工作总结 | 第54-55页 |
| 5.2 研究展望 | 第55-58页 |
| 参考文献 | 第58-66页 |
| 致谢 | 第66-68页 |
| 攻读学位期间的研究成果 | 第68页 |