| 摘要 | 第1-8页 |
| ABSTRACT | 第8-10页 |
| 第1章 绪论 | 第10-15页 |
| ·研究背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·多标记分类研究现状 | 第11-12页 |
| ·直推式学习研究现状 | 第12-13页 |
| ·本文的主要内容及章节安排 | 第13-15页 |
| ·本文的主要内容 | 第13页 |
| ·本文的章节安排 | 第13-15页 |
| 第2章 多标记分类和直推式学习 | 第15-22页 |
| ·多标记分类 | 第15-21页 |
| ·问题转换方法 | 第15-17页 |
| ·算法适应方法 | 第17-18页 |
| ·性能评价指标 | 第18-21页 |
| ·直推式学习 | 第21页 |
| ·本章小结 | 第21-22页 |
| 第3章 针基于聚类优化的 RBF 神经网络多标记学习算法 | 第22-29页 |
| ·ML-RBF 算法概述 | 第22-24页 |
| ·数学定义 | 第22-23页 |
| ·目标函数推导 | 第23-24页 |
| ·ML-IRBF：基于聚类优化 RBF 神经网络多标记分类算法 | 第24-26页 |
| ·聚类有效性函数及相关定义 | 第25页 |
| ·算法描述 | 第25-26页 |
| ·实验 | 第26-28页 |
| ·数据集 | 第26页 |
| ·实验结果分析 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第4章 基于局部相关的直推式多标记学习 | 第29-38页 |
| ·问题引入 | 第29页 |
| ·直推式多标记学习 | 第29-30页 |
| ·TMLLC：基于局部相关的直推式多标记学习 | 第30-33页 |
| ·数学定义 | 第30页 |
| ·局部相关性 | 第30-32页 |
| ·TMLLC：标记预测 | 第32页 |
| ·TMLLC:算法描述 | 第32-33页 |
| ·实验 | 第33-37页 |
| ·数据集 | 第33页 |
| ·实验结果分析 | 第33-37页 |
| ·本章小结 | 第37-38页 |
| 第5章 基于示例空间转换的多标记分类算法 | 第38-44页 |
| ·ML-IST：算法理论推导 | 第38-40页 |
| ·示例空间转换 | 第38-40页 |
| ·标记预测 | 第40页 |
| ·ML-IST 算法过程 | 第40-41页 |
| ·实验结果分析 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第6章 总结展望 | 第44-46页 |
| ·论文工作总结 | 第44-45页 |
| ·未来工作展望 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 攻读硕士学位期间发表的论文和参与的项目 | 第50-51页 |
| 致谢 | 第51页 |