| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 机器学习概述 | 第9-13页 |
| 1.1.1 监督学习 | 第10-11页 |
| 1.1.2 无监督学习 | 第11页 |
| 1.1.3 半监督学习 | 第11-13页 |
| 1.2 研究目的和意义 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-18页 |
| 1.4 本文主要内容与组织结构 | 第18-20页 |
| 第二章 半监督分类学习概述 | 第20-29页 |
| 2.1 引言 | 第20页 |
| 2.2 半监督学习基本假设 | 第20-22页 |
| 2.2.1 聚类假设 | 第20-21页 |
| 2.2.2 流形假设 | 第21-22页 |
| 2.3 半监督学习算法分类 | 第22-28页 |
| 2.3.1 自训练方法 | 第22-23页 |
| 2.3.2 生成式方法 | 第23-24页 |
| 2.3.3 协同训练方法 | 第24-26页 |
| 2.3.4 大间隔方法 | 第26-27页 |
| 2.3.5 基于图的方法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 一种基于扩充标记样本的半监督流形正则化分类学习方法 | 第29-40页 |
| 3.1 引言 | 第29-31页 |
| 3.2 相关工作 | 第31-33页 |
| 3.2.1 半监督流形正则化分类学习框架 | 第31-32页 |
| 3.2.2 基于核的FCM | 第32-33页 |
| 3.3 基于扩充标记样本的半监督流形正则化学习 | 第33-35页 |
| 3.4 实验 | 第35-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 一个逐点半监督流形正则化分类学习框架 | 第40-52页 |
| 4.1 引言 | 第40-41页 |
| 4.2 半监督流形正则化分类学习框架 | 第41-42页 |
| 4.3 逐点半监督流形正则化学习(PW_MR) | 第42-46页 |
| 4.3.1 模型建立 | 第42-44页 |
| 4.3.2 逐点拉普拉斯正则最小二乘法(PW_LapRlsc) | 第44-45页 |
| 4.3.3 逐点拉普拉斯支持向量机(PW_LapSVM) | 第45-46页 |
| 4.4 实验 | 第46-50页 |
| 4.4.1 性能比较 | 第47-49页 |
| 4.4.2 不同的近邻值k的表现 | 第49-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第59-60页 |
| 附录2 攻读硕士学位期间申请的专利 | 第60-61页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第61-62页 |
| 致谢 | 第62页 |
