| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 引言 | 第13页 |
| 1.2 研究背景 | 第13-16页 |
| 1.3 本文研究内容 | 第16-18页 |
| 1.4 本文结构安排 | 第18-19页 |
| 第2章 相关研究与技术 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 半监督超限学习机 | 第19-22页 |
| 2.2.1 超限学习机 | 第19-20页 |
| 2.2.2 超限学习机模型设定与求解 | 第20-22页 |
| 2.2.3 半监督超限学习机模型设定与求解 | 第22页 |
| 2.3 稀疏贝叶斯学习 | 第22-27页 |
| 2.3.1 模型设定 | 第23-24页 |
| 2.3.2 稀疏先验 | 第24-26页 |
| 2.3.3 后验概率与模型参数求解 | 第26-27页 |
| 2.4 半监督学习 | 第27-31页 |
| 2.4.1 半监督学习假设 | 第28-30页 |
| 2.4.2 半监督学习算法 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第3章 基于期望最大化的稀疏贝叶斯半监督超限学习机 | 第33-53页 |
| 3.1 引言 | 第33-34页 |
| 3.2 拉普拉斯矩阵和流形正则化框架的优化 | 第34-36页 |
| 3.2.1 拉普拉斯矩阵的优化 | 第34-35页 |
| 3.2.2 流形正则化框架 | 第35-36页 |
| 3.3 模型设定与求解 | 第36-42页 |
| 3.3.1 定义稀疏流形先验 | 第38-39页 |
| 3.3.2 期望最大化算法最大化后验概率 | 第39-42页 |
| 3.4 基于期望最大化算法的模型实现 | 第42-43页 |
| 3.5 算法复杂度分析 | 第43-44页 |
| 3.6 实验与结果分析 | 第44-51页 |
| 3.6.1 实验设置 | 第44-45页 |
| 3.6.2 同类算法对比与分析 | 第45-46页 |
| 3.6.3 模型预测准确率敏感性实验与分析 | 第46页 |
| 3.6.4 有标记样本数据占比准确率实验与分析 | 第46-48页 |
| 3.6.5 邮件数据集实验 | 第48-51页 |
| 3.7 本章小结 | 第51-53页 |
| 第4章 基于拉普拉斯近似的稀疏贝叶斯半监督超限学习机 | 第53-69页 |
| 4.1 引言 | 第53-54页 |
| 4.2 模型设定 | 第54-55页 |
| 4.3 模型求解 | 第55-60页 |
| 4.3.1 设置伯努利似然函数 | 第57-59页 |
| 4.3.2 最大化边际似然 | 第59-60页 |
| 4.4 基于拉普拉斯近似的模型实现 | 第60-62页 |
| 4.5 期望最大化算法与拉普拉斯近似方法对比 | 第62页 |
| 4.6 实验与结果分析 | 第62-67页 |
| 4.6.1 实验设置 | 第62-63页 |
| 4.6.2 同类算法对比分析 | 第63-64页 |
| 4.6.3 本章算法与第三章算法对比分析 | 第64-67页 |
| 4.7 本章小结 | 第67-69页 |
| 第5章 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69-70页 |
| 5.2 展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 在读期间发表的学术论文与取得的研究成果 | 第77页 |