| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-27页 |
| ·半监督学习的研究背景 | 第11-13页 |
| ·半监督学习的研究现状 | 第13-20页 |
| ·直推式支持向量机 | 第13-15页 |
| ·基于EM算法的半监督学习模型 | 第15-16页 |
| ·基于图和流形的半监督学习方法 | 第16-18页 |
| ·协同训练算法 | 第18-20页 |
| ·半监督学习研究中存在的问题 | 第20-21页 |
| ·根据未标记样本分布自适应调整算法结构 | 第20页 |
| ·增量式半监督学习 | 第20-21页 |
| ·高效利用样本集序列 | 第21页 |
| ·神经网络研究概述 | 第21-25页 |
| ·本文内容概述和结构安排 | 第25-27页 |
| 2 半监督贝叶斯ARTMAP网络 | 第27-42页 |
| ·引言 | 第27-28页 |
| ·贝叶斯ARTMAP网络概述 | 第28-31页 |
| ·贝叶斯ARTMAP网络的训练阶段 | 第28-30页 |
| ·贝叶斯ARTMAP网络的测试阶段 | 第30-31页 |
| ·半监督贝叶斯ARTMAP网络的学习过程 | 第31-35页 |
| ·监督学习阶段 | 第31-32页 |
| ·半监督学习阶段 | 第32-34页 |
| ·半监督贝叶斯ARTMAP网络的收敛性分析 | 第34-35页 |
| ·仿真实验 | 第35-41页 |
| ·小结 | 第41-42页 |
| 3 基于极端学习机的半监督学习方法 | 第42-95页 |
| ·引言 | 第42-43页 |
| ·极端学习机运行机制 | 第43-44页 |
| ·极端学习机的优化措施 | 第44-65页 |
| ·极端学习机性能优化的主要方向 | 第44-46页 |
| ·局部Lanczos双对角化(局部LBD)方法 | 第46-47页 |
| ·基于局部LBD的最小二乘近似解 | 第47-49页 |
| ·基于局部LBD的改进型极端学习机算法 | 第49页 |
| ·计算复杂度分析 | 第49-51页 |
| ·扰动分析 | 第51-53页 |
| ·Lanczos迭代次数的选择 | 第53-54页 |
| ·仿真实验 | 第54-65页 |
| ·半监督极端学习机算法 | 第65-71页 |
| ·半监督极端学习机的学习算法 | 第65-69页 |
| ·基于半监督极端学习机的仿真实验 | 第69-71页 |
| ·三重可逆极端学习机 | 第71-94页 |
| ·在线序列极端学习机 | 第71-76页 |
| ·可逆极端学习机 | 第76-80页 |
| ·用于半监督分类的三重训练方法 | 第80-81页 |
| ·三重可逆极端学习机 | 第81-85页 |
| ·基于三重可逆极端学习机的仿真实验 | 第85-94页 |
| ·小结 | 第94-95页 |
| 4 广义半监督学习系统—基于ARTMAP网络的范例推理分类系统 | 第95-115页 |
| ·引言 | 第95-96页 |
| ·ARTMAP网络特性 | 第96-100页 |
| ·范例推理-ARTMAP分类系统总体概述 | 第100-102页 |
| ·范例推理-ARTMAP分类系统详细描述 | 第102-114页 |
| ·范例及范例库的构建 | 第102-104页 |
| ·范例检索 | 第104-105页 |
| ·范例重用和修正 | 第105-109页 |
| ·范例库更新 | 第109页 |
| ·范例推理-ARTMAP网络的实际应用分析 | 第109-114页 |
| ·小结 | 第114-115页 |
| 5 结论与展望 | 第115-118页 |
| ·结论 | 第115-116页 |
| ·展望 | 第116-118页 |
| 创新点摘要 | 第118-119页 |
| 参考文献 | 第119-137页 |
| 攻读博士学位期间发表学术论文 | 第137页 |
| 在学期间发表的其他论文 | 第137-138页 |
| 博士期间参与的项目 | 第138-139页 |
| 致谢 | 第139-140页 |
| 作者简介 | 第140-141页 |