| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-16页 |
| 1.2.1 迁移学习的研究现状 | 第15-16页 |
| 1.2.2 聚类算法研究现状 | 第16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 第二章 相关理论 | 第18-34页 |
| 2.1 迁移学习 | 第18-20页 |
| 2.1.1 迁移学习概述 | 第18-19页 |
| 2.1.2 迁移学习类型 | 第19页 |
| 2.1.3 迁移学习应用 | 第19-20页 |
| 2.2 聚类 | 第20-24页 |
| 2.2.1 聚类算法的概述 | 第20页 |
| 2.2.2 聚类算法的类别 | 第20-22页 |
| 2.2.3 典型的聚类算法K-means | 第22-23页 |
| 2.2.4 k值的选取 | 第23-24页 |
| 2.3 文本分类 | 第24-31页 |
| 2.3.1 文本分类概述 | 第24页 |
| 2.3.2 文本分类的处理流程 | 第24-26页 |
| 2.3.3 分类算法 | 第26-31页 |
| 2.4 AdaBoost算法 | 第31-33页 |
| 2.4.1 算法描述 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于TrAdaBoost的迁移学习算法 | 第34-40页 |
| 3.1 TrAdaBoost算法 | 第34-36页 |
| 3.1.1 TrAdaBoost算法概述 | 第34-35页 |
| 3.1.2 TrAdaBoost算法过程 | 第35-36页 |
| 3.2 Multi-SourceTrAdaBoost算法 | 第36-38页 |
| 3.2.1 Multi-SourceTrAdaBoost算法过程 | 第37-38页 |
| 3.3 TrAdaBoost算法的缺点 | 第38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 基于聚类的动态TrAdaBoost迁移学习算法 | 第40-49页 |
| 4.1 TrAdaBoost的自适应回补参数 | 第40-41页 |
| 4.2 基于K-means的动态TrAdaBoost迁移学习算法 | 第41-47页 |
| 4.2.1 字符定义 | 第41页 |
| 4.2.2 K-means算法作用 | 第41-43页 |
| 4.2.3 聚类Dynamic-TrAdaBoost算法的描述 | 第43-44页 |
| 4.2.4 聚类Dynamic-MultiSourceTrAdaBoost算法 | 第44-45页 |
| 4.2.5 算法分析 | 第45-47页 |
| 4.3 算法预期 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 算法测试与分析 | 第49-57页 |
| 5.1 实验准备 | 第49-52页 |
| 5.1.1 实验环境 | 第49页 |
| 5.1.2 所用的数据集介绍 | 第49-51页 |
| 5.1.3 数据预处理 | 第51-52页 |
| 5.2 实验设置 | 第52页 |
| 5.3 算法测试与分析 | 第52-56页 |
| 5.4 算法的效率 | 第56页 |
| 5.5 本章小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读学位期间发表论文 | 第63-65页 |
| 致谢 | 第65页 |
