多标记迁移学习算法研究以及在鸟声识别中的应用
摘要 | 第9-11页 |
ABSTRACT | 第11-12页 |
符号说明 | 第13-14页 |
第一章 绪论 | 第14-30页 |
1 引言 | 第14-16页 |
2 多标记迁移学习研究现状 | 第16-22页 |
2.1 通用迁移学习方法 | 第16-19页 |
2.2 多标记迁移学习方法 | 第19-21页 |
2.3 存在问题 | 第21-22页 |
3 鸟声识别技术研究现状 | 第22-26页 |
4.1 音频特征参数研究 | 第23-24页 |
4.2 音频分类模型研究 | 第24-25页 |
4.3 多物种鸟声识别 | 第25页 |
4.4 存在问题 | 第25-26页 |
5 研究内容和技术路线 | 第26-28页 |
5.1 研究内容 | 第26-27页 |
5.2 技术路线 | 第27-28页 |
6 主要贡献和创新点 | 第28-29页 |
7 论文组织结构 | 第29-30页 |
第二章 理论基础 | 第30-38页 |
1 多标记迁移学习基本理论 | 第30-35页 |
1.1 基于特征迁移的多标记迁移学习 | 第30-31页 |
1.2 常用多标记特征映射算法 | 第31-32页 |
1.3 常用多标记分类器 | 第32-33页 |
1.4 评价指标 | 第33-35页 |
2 矩阵方程的求解方法 | 第35-37页 |
2.1 共轭梯度法 | 第35-37页 |
2.2 Bartels-Stewart算法 | 第37页 |
3 本章小结 | 第37-38页 |
第三章 领域自适应的多标记迁移学习算法 | 第38-54页 |
1 引言 | 第38页 |
2 MMD简介 | 第38-39页 |
3 M-MLTL算法 | 第39-43页 |
3.1 目标函数构造 | 第39-41页 |
3.2 目标函数求解 | 第41-42页 |
3.3 算法步骤 | 第42页 |
3.4 时间复杂度分析 | 第42-43页 |
4 实验与分析 | 第43-51页 |
4.1 实验设置 | 第43-44页 |
4.2 算法分类精度比较 | 第44-47页 |
4.3 参数μ对分类效果的影响 | 第47-48页 |
4.4 源领域样本数量对分类效果的影响 | 第48-50页 |
4.5 算法耗时 | 第50-51页 |
5 本章小结 | 第51-54页 |
5.1 讨论 | 第51页 |
5.2 结论 | 第51-54页 |
第四章 基于局部标记关系的多标记迁移学习 | 第54-68页 |
1 引言 | 第54-55页 |
2 ML-LOC简介 | 第55-56页 |
3 MTLOC算法 | 第56-61页 |
3.1 目标函数构造 | 第56-59页 |
3.2 目标函数求解 | 第59-60页 |
3.3 算法步骤 | 第60-61页 |
4 实验与分析 | 第61-67页 |
4.1 实验设置 | 第61-62页 |
4.2 算法分类精度比较 | 第62-63页 |
4.3 聚类个数对分类效果的影响 | 第63-65页 |
4.4 损失函数权重对分类效果的影响 | 第65-67页 |
5 本章小结 | 第67-68页 |
5.1 讨论 | 第67页 |
5.2 结论 | 第67-68页 |
第五章 基于特征迁移的多物种鸟声识别方法 | 第68-82页 |
1 引言 | 第68-69页 |
2 基于MFCC和GMM的鸟声识别方法简介 | 第69-70页 |
3 基于特征迁移的多物种鸟声识别方法 | 第70-76页 |
3.1 框架设计 | 第70-72页 |
3.2 关键步骤 | 第72-76页 |
4 实验结果及分析 | 第76-80页 |
4.1 实验设置 | 第76-79页 |
4.2 算法在单个物种上的识别率比较 | 第79-80页 |
4.3 算法综合识别精度比较 | 第80页 |
5 本章小结 | 第80-82页 |
5.1 讨论 | 第80-81页 |
5.2 结论 | 第81-82页 |
第六章 总结与展望 | 第82-86页 |
1 本文工作总结 | 第82-83页 |
1.1 领域特征自适应的多标记迁移学习算法 | 第82页 |
1.2 基于局部标记关系的多标记迁移学习算法 | 第82-83页 |
1.3 基于特征迁移的多物种鸟声识别技术 | 第83页 |
2 研究工作展望 | 第83-86页 |
2.1 M-MLTL的改进研究 | 第83-84页 |
2.2 MTLOC的改进研究 | 第84页 |
2.3 FT-RMBS的改进研究 | 第84-86页 |
参考文献 | 第86-94页 |
附录Ⅰ 在学期间发表或投稿的论文 | 第94页 |
附录Ⅱ 在学期间参加的研究项目 | 第94-96页 |
致谢 | 第96-97页 |