| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第14-15页 |
| 缩略语对照表 | 第15-19页 |
| 第一章 绪论 | 第19-35页 |
| 1.1 多标签学习的研究背景 | 第19-20页 |
| 1.2 多标签学习方法研究现状 | 第20-27页 |
| 1.2.1 问题转换方法 | 第20-23页 |
| 1.2.2 算法转换方法 | 第23-27页 |
| 1.3 多标签数据特征提取方法概述 | 第27-29页 |
| 1.4 多标签学习面临的挑战 | 第29-30页 |
| 1.5 研究内容和章节安排 | 第30-35页 |
| 1.5.1 研究内容 | 第30-32页 |
| 1.5.2 章节安排 | 第32-35页 |
| 第二章 基于L1范数的多标签线性判别分析 | 第35-59页 |
| 2.1 引言 | 第35-36页 |
| 2.2 理论背景 | 第36-38页 |
| 2.2.1 线性判别分析 | 第36-37页 |
| 2.2.2 多标签线性判别分析 | 第37-38页 |
| 2.3 基于L1范数的多标签线性判别分析 | 第38-46页 |
| 2.3.1 非贪婪迭代算法求解L1-MLDA | 第38-42页 |
| 2.3.2 算法收敛性分析 | 第42-43页 |
| 2.3.3 模型拓展 | 第43-46页 |
| 2.4 实验结果及分析 | 第46-56页 |
| 2.4.1 单标签实验结果及分析 | 第46-50页 |
| 2.4.2 多标签实验结果及分析 | 第50-56页 |
| 2.5 本章小结 | 第56-59页 |
| 第三章 基于核范数的半监督多标签学习框架 | 第59-77页 |
| 3.1 引言 | 第59-60页 |
| 3.2 理论背景 | 第60-62页 |
| 3.2.1 样本平滑性和标签平滑性 | 第61-62页 |
| 3.2.2 基于Sylvester方程的半监督多标签学习方法 | 第62页 |
| 3.3 基于核范数的半监督多标签学习框架 | 第62-67页 |
| 3.3.1 NML-GRF模型和NML-LGC模型 | 第63-65页 |
| 3.3.2 NML-GRF2模型和NML-LGC2模型 | 第65-67页 |
| 3.4 仿真实验及结果分析 | 第67-74页 |
| 3.4.1 实验数据集 | 第67-68页 |
| 3.4.2 评价指标 | 第68页 |
| 3.4.3 算法参数设置 | 第68-69页 |
| 3.4.4 实验结果及分析 | 第69-72页 |
| 3.4.5 算法收敛性分析 | 第72-74页 |
| 3.5 本章小结 | 第74-77页 |
| 第四章 基于支持向量机的含有缺失标签的多标签图像分类 | 第77-97页 |
| 4.1 引言 | 第77-78页 |
| 4.2 理论背景 | 第78-79页 |
| 4.3 基于SVM的多标签学习算法 | 第79-83页 |
| 4.3.1 损失函数 | 第79-80页 |
| 4.3.2 目标函数 | 第80-83页 |
| 4.4 仿真实验及结果分析 | 第83-95页 |
| 4.4.1 实验数据集 | 第83-84页 |
| 4.4.2 评价指标 | 第84-85页 |
| 4.4.3 实验结果及分析 | 第85-93页 |
| 4.4.4 计算复杂度与算法收敛性分析 | 第93-95页 |
| 4.5 本章小结 | 第95-97页 |
| 第五章 基于深度度量学习的多标签图像分类 | 第97-109页 |
| 5.1 引言 | 第97-99页 |
| 5.2 理论背景 | 第99-101页 |
| 5.3 多标签判别性深度度量学习 | 第101-105页 |
| 5.3.1 判别性度量学习 | 第101-102页 |
| 5.3.2 多标签判别性深度度量学习 | 第102-105页 |
| 5.4 仿真实验及结果分析 | 第105-107页 |
| 5.4.1 实验数据集 | 第105-106页 |
| 5.4.2 实验结果及分析 | 第106-107页 |
| 5.5 本章小结 | 第107-109页 |
| 第六章 总结与展望 | 第109-113页 |
| 6.1 内容总结 | 第109-110页 |
| 6.2 研究工作展望 | 第110-113页 |
| 参考文献 | 第113-125页 |
| 致谢 | 第125-127页 |
| 作者简介 | 第127-129页 |
