| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-11页 |
| 第一章 绪论 | 第11-14页 |
| 1.1 多标记特征选择 | 第11-13页 |
| 1.1.1 研究背景及意义 | 第11-12页 |
| 1.1.2 多标记特征选择的研究现状 | 第12-13页 |
| 1.2 本文主要工作及论文组织 | 第13-14页 |
| 第二章 多标记学习问题概述 | 第14-24页 |
| 2.1 多标记学习定义 | 第14页 |
| 2.2 数据集属性 | 第14-15页 |
| 2.3 算法性能衡量指标 | 第15-16页 |
| 2.4 经典算法及其类别划分 | 第16-21页 |
| 2.4.1 Binary Relevance (BR) | 第17页 |
| 2.4.2 Calibrated Label Ranking (CLR) | 第17-18页 |
| 2.4.3 高阶多标记学习算法 | 第18-21页 |
| 2.5 多标记学习算法的框架 | 第21-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 特征选择概述 | 第24-29页 |
| 3.1 特征选择定义 | 第24-26页 |
| 3.2 经典Fisher Score和Relief | 第26-27页 |
| 3.2.1 经典Fisher Score | 第26页 |
| 3.2.2 经典Relief | 第26-27页 |
| 3.3 多标记Fisher Score和多标记Relief | 第27-28页 |
| 3.3.1 多标记FisherScore | 第27-28页 |
| 3.3.2 多标记Relief | 第28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 图谱理论与谱特征选择 | 第29-37页 |
| 4.1 图谱理论简介 | 第29-31页 |
| 4.1.1 相关定义 | 第29页 |
| 4.1.2 拉普拉斯矩阵 | 第29-31页 |
| 4.2 脑电信号数据集上的实验结果 | 第31-34页 |
| 4.2.1 Spike Sorting | 第31-32页 |
| 4.2.2 稀疏子空间聚类 | 第32-33页 |
| 4.2.3 实验结果 | 第33-34页 |
| 4.3 谱特征选择框架 | 第34-36页 |
| 4.3.1 基本思想 | 第34-35页 |
| 4.3.2 判别性能分析 | 第35-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第五章 基于图谱的多标记特征选择 | 第37-41页 |
| 5.1 引言 | 第37页 |
| 5.2 标记关联性 | 第37-38页 |
| 5.3 多标记样本相似度的定义 | 第38页 |
| 5.4 标记关联性的判别能力 | 第38-40页 |
| 5.5 与超图的联系 | 第40页 |
| 5.6 本章小结 | 第40-41页 |
| 第六章 基于最大间隔的多标记特征选择 | 第41-55页 |
| 6.1 引言 | 第41页 |
| 6.2 基于最大间隔的多标记特征选择算法 | 第41-43页 |
| 6.3 与过滤器模型的对比实验 | 第43-44页 |
| 6.4 与过滤器模型对比实验的结果及分析 | 第44-48页 |
| 6.5 对封装器模型的对比实验 | 第48-53页 |
| 6.6 与封装器模型对比实验的结果及分析 | 第53-54页 |
| 6.7 本章小结 | 第54-55页 |
| 第七章 总结和展望 | 第55-57页 |
| 7.1 本文工作总结 | 第55页 |
| 7.2 未来的工作和研究方向 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第60-61页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第61-62页 |
| 致谢 | 第62页 |
