| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景 | 第10-13页 |
| 1.1.1 特征降维方法 | 第10-11页 |
| 1.1.2 模式分类方法 | 第11-12页 |
| 1.1.3 迁移学习 | 第12-13页 |
| 1.2 特征降维和模式分类面临的几个挑战 | 第13-14页 |
| 1.3 课题主要内容、特色和创新 | 第14-16页 |
| 第二章 基于迁移学习的特征选择方法研究 | 第16-28页 |
| 2.1 引言 | 第16页 |
| 2.2 RELIEF和间距最大化 | 第16-19页 |
| 2.2.1 Relief算法 | 第16-17页 |
| 2.2.2 基于间距最大化的Relief特征加权 | 第17页 |
| 2.2.3 迭代Relief | 第17-19页 |
| 2.3 迁移RELIEF | 第19-21页 |
| 2.3.1 迁移Relief框架目标函数 | 第19-20页 |
| 2.3.2 理论推导 | 第20-21页 |
| 2.4 适用于多类数据的T-RELIEF-M方法 | 第21-22页 |
| 2.4.1 T-Relief-m方法 | 第21-22页 |
| 2.4.3 计算复杂性分析 | 第22页 |
| 2.5 实验与分析 | 第22-26页 |
| 2.5.1 实验设置 | 第22页 |
| 2.5.2 人工数据集 | 第22-25页 |
| 2.5.3 真实数据集 | 第25-26页 |
| 2.6 结论 | 第26-28页 |
| 第三章 一种面向演进数据流的结合相似准则和反例信息的分类新方法 | 第28-40页 |
| 3.1 引言 | 第28-29页 |
| 3.2 TA-SVM | 第29页 |
| 3.3 结合相似准则与反例信息的演进数据流支持向量机：SCC-SVM | 第29-34页 |
| 3.3.1 结合相似准则和反例信息的目标函数构造 | 第29-33页 |
| 3.3.2 算法描述 | 第33页 |
| 3.3.3 讨论 | 第33-34页 |
| 3.4 实验与分析 | 第34-38页 |
| 3.4.1 人造数据集 | 第34-37页 |
| 3.4.2 真实数据集 | 第37-38页 |
| 3.5 总结 | 第38-40页 |
| 第四章 迁移组概率学习机 | 第40-54页 |
| 4.1 引言 | 第40-41页 |
| 4.2 反向标定技术(IC) | 第41页 |
| 4.3 迁移组概率学习机 | 第41-48页 |
| 4.3.1 融合数据和组概率的目标函数构造 | 第42-43页 |
| 4.3.2 相关定理推导和证明 | 第43-47页 |
| 4.3.3 TGPLM算法流程 | 第47页 |
| 4.3.4 TGPLM的问题复杂度分析 | 第47-48页 |
| 4.4 实验结果与分析 | 第48-53页 |
| 4.4.1 人工数据集 | 第48-49页 |
| 4.4.2 真实数据集 | 第49-51页 |
| 4.4.3 参数敏感实验 | 第51-53页 |
| 4.5 结论 | 第53-54页 |
| 第五章 面向共享数据的迁移组概率学习机 | 第54-68页 |
| 5.1 前言 | 第54页 |
| 5.2 组概率支持向量机(IC-SVM) | 第54-55页 |
| 5.2.1 传统支持向量机 | 第54-55页 |
| 5.2.2 组概率支持向量机 | 第55页 |
| 5.3 面向共享数据的迁移组概率学习机 | 第55-63页 |
| 5.3.1 问题定义 | 第56页 |
| 5.3.2 目标函数构造 | 第56-58页 |
| 5.3.3 相关定理推导和证明 | 第58-62页 |
| 5.3.4 TGPLM-CD算法流程 | 第62-63页 |
| 5.4 实验结果与分析 | 第63-67页 |
| 5.4.1 人造双月型数据集 | 第64-65页 |
| 5.4.2 真实数据集 | 第65-67页 |
| 5.5 结论 | 第67-68页 |
| 第六章 适用于不确定类标签数据学习的迁移支持向量机 | 第68-78页 |
| 6.1 前言 | 第68-69页 |
| 6.2 相关工作 | 第69页 |
| 6.3 适用于不确定类标签数据学习的迁移支持向量机 | 第69-74页 |
| 6.3.1 目标函数构造 | 第69-70页 |
| 6.3.2 相关定理推导和证明 | 第70-73页 |
| 6.3.3 TSVM-UL算法流程 | 第73-74页 |
| 6.4 实验结果与分析 | 第74-77页 |
| 6.4.1 PIE人脸数据集 | 第74-75页 |
| 6.4.2 跨领域文本数据集 20Newsgroups | 第75-76页 |
| 6.4.3 UCI数据集 | 第76-77页 |
| 6.4.4 实验结果分析 | 第77页 |
| 6.5 结论 | 第77-78页 |
| 第七章 基于不确定标签比例的半监督学习机 | 第78-96页 |
| 7.1 引言 | 第78-79页 |
| 7.2 流形正则化(MR)框架 | 第79-80页 |
| 7.3 部分类标签保护的流形支持向量机 | 第80-83页 |
| 7.3.1 目标函数构造 | 第80-81页 |
| 7.3.2 相关定理推导和证明 | 第81-83页 |
| 7.3.3 SVM-MR&PLPP算法流程 | 第83页 |
| 7.3.4 SVM-MR&PLPP的问题复杂度分析 | 第83页 |
| 7.4 适用于大数据集的类标签隐私保护的流形学习机 | 第83-86页 |
| 7.4.1 目标函数构造 | 第83-84页 |
| 7.4.2 相关定理证明 | 第84-85页 |
| 7.4.3 SSVM-MR&PLPP算法流程 | 第85-86页 |
| 7.4.4 算法分析 | 第86页 |
| 7.5 实验与分析 | 第86-94页 |
| 7.5.1 人工数据集 | 第86-90页 |
| 7.5.2 真实数据集 | 第90-93页 |
| 7.5.3 不同数目带标签样本和未带标签样本实验 | 第93-94页 |
| 7.6 结论 | 第94-96页 |
| 第八章 结束语 | 第96-98页 |
| 致谢 | 第98-100页 |
| 参考文献 | 第100-108页 |
| 附录 1：作者在攻读博士学位期间发表的论文列表 | 第108页 |
| 附录 2：攻读博士学位期间参与的科研项目列表 | 第108页 |
