首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--自动推理、机器学习论文

基于贝叶斯方法的半监督学习算法研究

摘要第5-7页
abstract第7-8页
第1章 绪论第11-19页
    1.1 研究背景第11-12页
    1.2 国内外研究现状第12-16页
    1.3 有待研究的问题第16-17页
    1.4 本文的主要研究内容第17-18页
    1.5 本文的组织结构第18-19页
第2章 相关知识介绍第19-29页
    2.1 贝叶斯方法第19-20页
    2.2 稀疏贝叶斯方法第20-24页
    2.3 近似推断方法第24-28页
        2.3.1 变分贝叶斯方法第24-26页
        2.3.2 拉普拉斯近似第26-28页
    2.4 本章小结第28-29页
第3章 基于稀疏贝叶斯的半监督学习算法研究第29-53页
    3.1 引言第29-31页
    3.2 相关工作第31-32页
    3.3 基于稀疏贝叶斯的半监督学习算法第32-41页
        3.3.1 基于稀疏贝叶斯的半监督学习框架第32-36页
        3.3.2 基于最大化后验估计的稀疏贝叶斯半监督学习算法第36-38页
        3.3.3 基于全贝叶斯估计的稀疏贝叶斯半监督学习算法第38-41页
        3.3.4 预测样本标签第41页
    3.4 实验验证第41-51页
        3.4.1 人工数据集上的实验第42-43页
        3.4.2 基准数据集上的实验第43-47页
        3.4.3 UCI数据集上的实验第47-51页
    3.5 本章小结第51-53页
第4章 基于稀疏贝叶斯的可扩展半监督学习算法第53-75页
    4.1 引言第53-55页
    4.2 相关工作第55页
    4.3 基于稀疏贝叶斯的可扩展半监督学习算法第55-62页
        4.3.1 基于拉普拉斯近似的稀疏贝叶斯半监督学习算法第56-58页
        4.3.2 增量稀疏贝叶斯半监督学习算法第58-61页
        4.3.3 复杂度分析第61-62页
    4.4 鲁棒性和泛化误差分析第62-64页
    4.5 实验验证第64-73页
        4.5.1 标准数据集上的实验第64-66页
        4.5.2 参数敏感性分析第66-69页
        4.5.3 中等规模和大规模数据集上的实验第69-73页
        4.5.4 可扩展性第73页
    4.6 本章小结第73-75页
第5章 基于贝叶斯的联合半监督特征选择与分类算法第75-95页
    5.1 引言第75-78页
    5.2 相关工作第78-79页
    5.3 基于贝叶斯的联合半监督特征选择与分类算法第79-87页
        5.3.1 问题描述与分析第79-80页
        5.3.2 特征参数与无标签样本参数的先验第80-82页
        5.3.3 优化参数第82-87页
    5.4 实验验证第87-93页
        5.4.1 实验设置第87-88页
        5.4.2 算法对噪声特征和噪声无标签样本的鲁棒性第88-89页
        5.4.3 算法在高维数据集上的性能第89-92页
        5.4.4 算法的计算复杂度和收敛性分析第92-93页
    5.5 本章小结第93-95页
第6章 总结与展望第95-97页
参考文献第97-106页
附录A 泛化误差边界中的证明第106-107页
致谢第107-108页
在读期间发表的学术论文与取得的研究成果第108-109页

论文共109页,点击 下载论文
上一篇:CAN网络暂态连接故障分析及诊断的研究
下一篇:爬岩鱼的吸附运动机理及仿生研究