| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·半监督学习的研究背景及意义 | 第7-9页 |
| ·国内外对半监督学习研究的进展及现状 | 第9-12页 |
| ·论文的研究内容及安排 | 第12-15页 |
| 第二章 背景知识 | 第15-23页 |
| ·引言 | 第15页 |
| ·无监督学习算法 | 第15-18页 |
| ·主成份分析 | 第16-17页 |
| ·局部线性嵌入 | 第17-18页 |
| ·半监督学习算法 | 第18-20页 |
| ·监督学习算法 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 基于LNP的半监督增量算法 | 第23-37页 |
| ·引言 | 第23页 |
| ·增量学习 | 第23-24页 |
| ·Incremental LNP | 第24-27页 |
| ·多类LNP 的实现 | 第24-26页 |
| ·Incremental LNP 的实现 | 第26-27页 |
| ·Incremental LNP 在半监督降维中的应用 | 第27-30页 |
| ·K 近邻分类器 | 第28-29页 |
| ·Incremental LNP 在半监督降维中的实现 | 第29-30页 |
| ·实验结果与分析 | 第30-36页 |
| ·Incremental LNP 的收敛性分析 | 第31-33页 |
| ·对参数N 的研究 | 第33-34页 |
| ·对参数PN 的研究 | 第34-35页 |
| ·Incremental LNP 在降维应用中的收敛性分析 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于可分性准则和LNP的半监督学习算法 | 第37-47页 |
| ·引言 | 第37页 |
| ·基于LNP 和LDA 的半监督降维模型 | 第37-39页 |
| ·基于可分性准则和LNP 半监督学习算法 | 第39-41页 |
| ·三种可分性准则 | 第39-40页 |
| ·基于可分性准则和LNP 的半监督学习算法的实现 | 第40-41页 |
| ·实验结果与分析 | 第41-45页 |
| ·LNP+LDA 在模式识别中的应用 | 第41-43页 |
| ·基于三种准则的LNP+LDA 的实验结果 | 第43-45页 |
| ·本章小结 | 第45-47页 |
| 第五章 总结与展望 | 第47-49页 |
| ·总结 | 第47-48页 |
| ·未来工作的展望 | 第48-49页 |
| 致谢 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 作者在读期间参加的科研和发表的论文 | 第56-57页 |
