鲁棒半监督学习算法及在生物统计中的应用研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 主要符号表 | 第16-17页 |
| 1 绪论 | 第17-38页 |
| 1.1 研究背景与意义 | 第17-20页 |
| 1.1.1 研究背景 | 第17-19页 |
| 1.1.2 问题及研究意义 | 第19-20页 |
| 1.2 半监督学习研究进展 | 第20-23页 |
| 1.2.1 监督学习与无监督学习 | 第20-21页 |
| 1.2.2 半监督学习研究现状 | 第21-23页 |
| 1.3 基于图的半监督学习 | 第23-34页 |
| 1.3.1 聚类假设与流形假设 | 第23-24页 |
| 1.3.2 图的构建 | 第24-26页 |
| 1.3.3 标签传播 | 第26-29页 |
| 1.3.4 典型算法 | 第29-32页 |
| 1.3.5 分类器性能评价 | 第32-34页 |
| 1.4 本文的研究内容 | 第34-35页 |
| 1.5 本文的组织结构 | 第35-38页 |
| 2 非负稀疏图半监督学习算法研究 | 第38-58页 |
| 2.1 引言 | 第38-39页 |
| 2.2 稀疏表示与线性图嵌入 | 第39-41页 |
| 2.2.1 稀疏表示方法 | 第39-40页 |
| 2.2.2 局部线性图嵌入 | 第40页 |
| 2.2.3 线性邻域标签传播 | 第40-41页 |
| 2.3 基于非负稀疏概率图的标签传播算法 | 第41-46页 |
| 2.3.1 非负稀疏概率图构建 | 第41-43页 |
| 2.3.2 非负稀疏概率图上的标签传播 | 第43-45页 |
| 2.3.3 算法描述与复杂度分析 | 第45-46页 |
| 2.4 鲁棒非负稀疏概率图标签传播算法 | 第46-51页 |
| 2.4.1 相关熵及其性质 | 第46-48页 |
| 2.4.2 鲁棒非负稀疏概率图构建 | 第48-49页 |
| 2.4.3 鲁棒非负稀疏概率图上的标签传播 | 第49-50页 |
| 2.4.4 算法分析 | 第50-51页 |
| 2.5 实验 | 第51-57页 |
| 2.5.1 数据集描述 | 第51-52页 |
| 2.5.2 算法设置 | 第52-53页 |
| 2.5.3 实验结果分析 | 第53-55页 |
| 2.5.4 图的稀疏性分析与对比算法的参数选择 | 第55-57页 |
| 2.6 本章小结 | 第57-58页 |
| 3 基于高斯-拉普拉斯正则化的鲁棒半监督学习研究 | 第58-73页 |
| 3.1 引言 | 第58-59页 |
| 3.2 高斯拉普拉斯正则化与最大相关熵条件 | 第59-61页 |
| 3.2.1 GLR半监督学习框架 | 第59-60页 |
| 3.2.2 最大相关熵原理 | 第60-61页 |
| 3.3 基于GLR-MCC的半监督学习算法 | 第61-66页 |
| 3.3.1 GLR-MCC的问题描述 | 第61-63页 |
| 3.3.2 GLR-MCC的求解方法 | 第63-65页 |
| 3.3.3 算法描述与分析 | 第65-66页 |
| 3.4 实验与结果分析 | 第66-72页 |
| 3.4.1 数据集描述与算法设置 | 第66-67页 |
| 3.4.2 UCI数据集 | 第67-69页 |
| 3.4.3 ORL和FRGC数据集 | 第69-72页 |
| 3.5 本章小结 | 第72-73页 |
| 4 基于图的鲁棒大间隔判别分析算法研究 | 第73-89页 |
| 4.1 引言 | 第73-74页 |
| 4.2 NDA与补丁排列 | 第74-76页 |
| 4.2.1 LDA和NDA | 第74-75页 |
| 4.2.2 补丁排列框架 | 第75-76页 |
| 4.3 大间隔判别分析与离群值检测 | 第76-82页 |
| 4.3.1 问题描述 | 第77-78页 |
| 4.3.2 正切逼近 | 第78-79页 |
| 4.3.3 正切排列 | 第79-81页 |
| 4.3.4 基于图的离群点检测 | 第81-82页 |
| 4.4 实验 | 第82-87页 |
| 4.4.1 数据集描述 | 第83-84页 |
| 4.4.2 判别分析实验 | 第84-85页 |
| 4.4.3 正则化判别分析 | 第85-86页 |
| 4.4.4 参数选择 | 第86-87页 |
| 4.5 本章小结 | 第87-89页 |
| 5 算法在生物统计识别中的应用研究 | 第89-106页 |
| 5.1 引言 | 第89页 |
| 5.2 基于基因表达数据的肿瘤分类 | 第89-97页 |
| 5.2.1 基因芯片与基因表达谱 | 第90-91页 |
| 5.2.2 实验数据集及描述 | 第91-92页 |
| 5.2.3 算法流程与实验设置 | 第92-93页 |
| 5.2.4 实验结果分析 | 第93-97页 |
| 5.3 蛋白质二级结构预测 | 第97-105页 |
| 5.3.1 二级结构预测方法 | 第99页 |
| 5.3.2 蛋白质序列特征提取与编码 | 第99-100页 |
| 5.3.3 预测算法流程 | 第100-102页 |
| 5.3.4 数据集及实验设置 | 第102-103页 |
| 5.3.5 实验结果分析 | 第103-105页 |
| 5.4 本章小结 | 第105-106页 |
| 6 结论与展望 | 第106-109页 |
| 6.1 结论 | 第106-107页 |
| 6.2 创新点 | 第107-108页 |
| 6.3 展望 | 第108-109页 |
| 参考文献 | 第109-119页 |
| 攻读博士学位期间科研项目及科研成果 | 第119-121页 |
| 致谢 | 第121-122页 |
| 作者简介 | 第122页 |
