一种基于自学习的迁移学习模型及应用
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-10页 |
| 1.1 研究背景及意义 | 第6-7页 |
| 1.2 国内外研究现状 | 第7-8页 |
| 1.3 本文主要内容 | 第8-10页 |
| 2 迁移学习简述 | 第10-22页 |
| 2.1 迁移学习分类 | 第10-16页 |
| 2.1.1 标记符号说明和定义 | 第10-11页 |
| 2.1.2 归纳式的迁移学习算法 | 第11-12页 |
| 2.1.3 直推式的迁移学习算法 | 第12-15页 |
| 2.1.4 无监督的迁移学习算法 | 第15-16页 |
| 2.2 直推式学习的图像分类算法 | 第16-20页 |
| 2.2.1 风险最小迁移算法TLRisk | 第17-18页 |
| 2.2.2 海森潜特征迁移算法CDHE | 第18-20页 |
| 2.3 前沿迁移学习算法趋势 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 自学习的防过拟合模型 | 第22-30页 |
| 3.1 dropout介绍 | 第22-24页 |
| 3.2 STDropout模型 | 第24-26页 |
| 3.2.1 模型介绍 | 第24-25页 |
| 3.2.2 复杂度分析 | 第25-26页 |
| 3.3 实验和结果 | 第26-29页 |
| 3.4 本章小结 | 第29-30页 |
| 4 自学习的迁移学习模型STLN | 第30-41页 |
| 4.1 算法介绍 | 第30-32页 |
| 4.2 实验和结果 | 第32-40页 |
| 4.2.1 标准数据集介绍 | 第32-33页 |
| 4.2.2 数据集预处理 | 第33-35页 |
| 4.2.3 实验和结果 | 第35-40页 |
| 4.3 本章小结 | 第40-41页 |
| 5 STLN模型在线化应用 | 第41-53页 |
| 5.1 在线化定义和应用场景 | 第41-42页 |
| 5.2 算法介绍 | 第42-47页 |
| 5.3 实验与结果 | 第47-52页 |
| 5.4 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-61页 |
