| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景 | 第15-16页 |
| 1.2 研究现状 | 第16-17页 |
| 1.2.1 支持向量机的研究现状 | 第16-17页 |
| 1.2.2 细胞自动机分类算法的研究现状 | 第17页 |
| 1.3 本文的工作及结构 | 第17-19页 |
| 第二章 迁移学习简介 | 第19-25页 |
| 2.1 迁移学习的定义 | 第19-20页 |
| 2.2 迁移学习的方法 | 第20-22页 |
| 2.3 迁移学习的应用 | 第22-23页 |
| 2.4 小结 | 第23-25页 |
| 第三章 基于不同惩罚因子的支持向量机迁移学习算法 | 第25-37页 |
| 3.1 支持向量机 | 第25-27页 |
| 3.1.1 传统支持向量机介绍 | 第25-26页 |
| 3.1.2 传统支持向量机的求解 | 第26-27页 |
| 3.2 基于不同惩罚因子的支持向量机迁移学习算法 | 第27-30页 |
| 3.2.1 基于不同惩罚因子的支持向量机 | 第27-29页 |
| 3.2.2 基于不同惩罚因子的支持向量机算法应用于迁移学习 | 第29页 |
| 3.2.3 算法描述 | 第29-30页 |
| 3.3 实验与分析 | 第30-36页 |
| 3.3.1 实验数据集 | 第30-32页 |
| 3.3.2 实验设计与结果分析 | 第32-36页 |
| 3.4 小结 | 第36-37页 |
| 第四章 多吸引子细胞自动机分类算法的改进 | 第37-51页 |
| 4.1 基于分类回归树的多吸引子细胞自动分类算法 | 第37-40页 |
| 4.1.1 多吸引子细胞自动机分类算法简介 | 第37-39页 |
| 4.1.2 基于分类回归树的多吸引子细胞自动机分类算法 | 第39-40页 |
| 4.2 改进的多吸引子细胞自动分类算法 | 第40-46页 |
| 4.2.1 D_ICART_CA算法 | 第40-43页 |
| 4.2.2 D_ICART_CA算法实验 | 第43-46页 |
| 4.3 细胞自动机模式分类的距离测度改进方法 | 第46-50页 |
| 4.3.1 新的模式距离度量方法 | 第46-48页 |
| 4.3.2 距离度量方法实验 | 第48-50页 |
| 4.4 小结 | 第50-51页 |
| 第五章 基于多吸引子细胞自动机的迁移学习算法 | 第51-61页 |
| 5.1 基于实例选择的MACA回归树迁移学习算法 | 第51-53页 |
| 5.1.1 基于实例选择的迁移学习 | 第51-52页 |
| 5.1.2 基于实例选择的迁移学习方法在MACA回归树上的应用 | 第52-53页 |
| 5.2 改进的基于实例选择的MACA回归树迁移学习算法 | 第53-57页 |
| 5.2.1 PD_Select算法分析 | 第53-55页 |
| 5.2.2 改进的实例选择方法 | 第55-56页 |
| 5.2.3 TR_ICART_CA算法分析 | 第56-57页 |
| 5.3 实验与分析 | 第57-59页 |
| 5.3.1 实验数据集 | 第57页 |
| 5.3.2 实验设计与结果分析 | 第57-59页 |
| 5.4 小结 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 作者简介 | 第69-70页 |
| 1.基本情况 | 第69页 |
| 2.教育背景 | 第69页 |
| 3.攻读硕士学位期间的研究成果 | 第69-70页 |
