| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状及存在问题 | 第12-15页 |
| 1.3 研究目标和内容 | 第15页 |
| 1.4 本文结构组织 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 相关方法和技术 | 第17-29页 |
| 2.1 集成学习 | 第17-20页 |
| 2.2 半监督学习 | 第20-24页 |
| 2.2.1 标准协同训练(Co-Training) | 第20-22页 |
| 2.2.2 Tri-Training | 第22-24页 |
| 2.3 k近邻 | 第24-25页 |
| 2.4 条件随机场 | 第25-26页 |
| 2.5 空气质量分指数 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 基于城市大数据的空气质量估计方法 | 第29-39页 |
| 3.1 网格划分 | 第29页 |
| 3.2 框架 | 第29-32页 |
| 3.3 特征提取 | 第32-38页 |
| 3.3.1 交通相关特征(F_t) | 第32-33页 |
| 3.3.2 签到相关特征(F_c) | 第33-35页 |
| 3.3.3 兴趣点相关特征(F_p) | 第35页 |
| 3.3.4 路网结构相关特征(F_r) | 第35-36页 |
| 3.3.5 近邻监测站相关特征(F_g) | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于集成学习和集成剪枝的半监督学习 | 第39-47页 |
| 4.1 基于集成学习的半监督学习 | 第39-44页 |
| 4.1.1 置信度度量 | 第41-43页 |
| 4.1.2 过滤筛选 | 第43-44页 |
| 4.2 基于Pareto遗传算法的集成剪枝 | 第44-46页 |
| 4.3 本章小结 | 第46-47页 |
| 第5章 实验评估 | 第47-60页 |
| 5.1 数据集 | 第47-48页 |
| 5.2 实验设置 | 第48-49页 |
| 5.3 实验结果与分析 | 第49-59页 |
| 5.3.1 特征评估 | 第49-50页 |
| 5.3.2 k近邻查找VS随机选择策略 | 第50-53页 |
| 5.3.3 基分类器的选择 | 第53-54页 |
| 5.3.4 组合分类器大小的影响 | 第54-55页 |
| 5.3.5 添加的伪标注样本数量的影响 | 第55-56页 |
| 5.3.6 与其他分类方法的比较 | 第56-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间主要的研究成果 | 第66-67页 |
| 致谢 | 第67页 |