| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 图像分类研究现状 | 第10-12页 |
| 1.2.2 半监督算法研究现状 | 第12-13页 |
| 1.2.3 集成学习研究现状 | 第13-14页 |
| 1.3 研究内容与创新点 | 第14页 |
| 1.4 论文结构 | 第14-17页 |
| 第2章 相关理论 | 第17-29页 |
| 2.1 图像分类概述 | 第17-18页 |
| 2.2 常用分类算法 | 第18-21页 |
| 2.2.1 朴素贝叶斯 | 第18-19页 |
| 2.2.2 K近邻 | 第19-20页 |
| 2.2.3 支持向量机 | 第20-21页 |
| 2.3 不同分类器的半监督学习算法 | 第21-26页 |
| 2.3.1 Self-Training | 第22-23页 |
| 2.3.2 Co-Training | 第23-24页 |
| 2.3.3 Tri-Training | 第24-26页 |
| 2.4 集成学习 | 第26-28页 |
| 2.4.1 集成学习理论 | 第26页 |
| 2.4.2 集成学习算法 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 改进的Tri-Training分类算法 | 第29-37页 |
| 3.1 Tri-Training-3 分类算法 | 第29-31页 |
| 3.2 实验结果与评估 | 第31-36页 |
| 3.2.1 实验数据集及评价标准 | 第31-33页 |
| 3.2.2 实验结果及评估 | 第33-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第4章 基于蚁群聚集信息素的Tri-Training分类算法 | 第37-45页 |
| 4.1 蚁群聚集信息素 | 第37-39页 |
| 4.2 基于蚁群聚集信息素的Tri-Training分类算法 | 第39-41页 |
| 4.2.1 算法思想 | 第39页 |
| 4.2.2 算法描述 | 第39-41页 |
| 4.3 实验结果与评估 | 第41-44页 |
| 4.3.1 实验数据集及评价标准 | 第41页 |
| 4.3.2 实验结果及评估 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 基于Bagging的Tri-Training分类算法在图像分类中的应用研究 | 第45-53页 |
| 5.1 Bagging学习算法 | 第45-47页 |
| 5.1.2 基于蚁群聚集信息素的置信度 | 第46页 |
| 5.1.3 基于置信度的重采样策略Bagging算法 | 第46-47页 |
| 5.2 基于Bagging的Tri-Training分类算法 | 第47页 |
| 5.3 实验结果与评估 | 第47-52页 |
| 5.3.1 实验数据集及评价标准 | 第47-48页 |
| 5.3.2 实验结果及评估 | 第48-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第6章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 攻读硕士学位期间发表的论文 | 第60页 |
