| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课程背景与意义 | 第8页 |
| 1.2 模式识别技术发展趋势 | 第8-9页 |
| 1.3 新学习场景下学习方法综述 | 第9-11页 |
| 1.4 多可选聚类发掘研究综述 | 第11-12页 |
| 1.4.1 基于全部原始数据空间 | 第11页 |
| 1.4.2 基于投影子空间 | 第11-12页 |
| 1.5 论文章节安排 | 第12-14页 |
| 第二章 相关理论阐述 | 第14-20页 |
| 2.1 极大熵聚类算法MEC | 第14-15页 |
| 2.2 局部保留投影LPP | 第15-16页 |
| 2.3 最小二乘支持向量机LS-SVM | 第16-17页 |
| 2.4 多可选聚类发掘算法RGB | 第17-20页 |
| 第三章 基于知识迁移的极大熵聚类算法 | 第20-33页 |
| 3.1 引言 | 第20-22页 |
| 3.2 相关迁移聚类算法 | 第22页 |
| 3.3 基于知识迁移的MEC聚类算法 | 第22-26页 |
| 3.3.1 基于聚类中心的知识迁移机制 | 第22-23页 |
| 3.3.2 基于聚类中心的迁移匹配机制 | 第23页 |
| 3.3.3 基于知识迁移的极大熵聚类算法 | 第23-26页 |
| 3.4 实验与分析 | 第26-31页 |
| 3.4.1 实验参数设置 | 第27-28页 |
| 3.4.2 聚类数相同的纹理图像分割 | 第28-30页 |
| 3.4.3 聚类数不同的纹理图像分割 | 第30-31页 |
| 3.5 本章小结 | 第31-33页 |
| 第四章 基于区别性知识利用的迁移分类学习 | 第33-42页 |
| 4.1 引言 | 第33-34页 |
| 4.2 基于一般化经验风险最小化模型的区别性知识利用迁移学习方法框架 | 第34-37页 |
| 4.2.1 经验风险最小化 | 第34页 |
| 4.2.2 一般化经验风险最小化 | 第34-35页 |
| 4.2.3 基于一般化经验风险最小化模型的区别性知识利用迁移学习方法 | 第35-36页 |
| 4.2.4 区别性源域样本选择 | 第36页 |
| 4.2.5 问题求解 | 第36-37页 |
| 4.3 实验与分析 | 第37-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 基于局部保留投影的多可选聚类发掘算法 | 第42-51页 |
| 5.1 引言 | 第42页 |
| 5.2 问题描述 | 第42页 |
| 5.3 希尔伯特-施密特独立性度量准则 | 第42-43页 |
| 5.4 基于局部保留投影的多可选聚类发掘算法 | 第43-45页 |
| 5.5 实验与分析 | 第45-49页 |
| 5.5.1 聚类结果评估 | 第45页 |
| 5.5.2 人工数据集 | 第45-46页 |
| 5.5.3 埃舍尔图数据集 | 第46-48页 |
| 5.5.4 CMUFace数据集 | 第48-49页 |
| 5.5.5 算法运行时间 | 第49页 |
| 5.6 本章小结 | 第49-51页 |
| 主要结论与展望 | 第51-53页 |
| 主要结论 | 第51页 |
| 展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第57页 |