| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 机器学习简介 | 第15-16页 |
| 1.2 迁移学习简介 | 第16-18页 |
| 1.3 本文所做的工作和论文组织结构 | 第18-19页 |
| 第二章 迁移学习相关知识 | 第19-25页 |
| 2.1 迁移学习的定义 | 第19-20页 |
| 2.1.1 迁移学习中的符号 | 第19页 |
| 2.1.2 迁移学习的非统一定义 | 第19-20页 |
| 2.2 迁移学习算法 | 第20-22页 |
| 2.3 迁移学习的研究现状 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 基于TrAdaBoost的改进算法 | 第25-37页 |
| 3.1 经典迁移学习算法 | 第25-27页 |
| 3.1.1 迁移学习TrAda Boost算法及问题 | 第25-26页 |
| 3.1.2 迁移学习D-Tr Ada Boost算法及问题 | 第26-27页 |
| 3.2 自适应迁移学习算法 | 第27-31页 |
| 3.2.1 自适应迁移学习算法 | 第27-28页 |
| 3.2.2 权值更新速度 | 第28-30页 |
| 3.2.3 权值修正因子的设定 | 第30页 |
| 3.2.4 算法的错误率 | 第30-31页 |
| 3.3 实验及分析 | 第31-35页 |
| 3.3.1 数据集介绍及数据组织方法 | 第31-33页 |
| 3.3.2 实验结果及分析 | 第33-35页 |
| 3.4 本章小结 | 第35-37页 |
| 第四章 基于典型相关分析的迁移学习 | 第37-47页 |
| 4.1 多视图学习及典型相关分析 | 第37-39页 |
| 4.1.1 多视图简介 | 第37-38页 |
| 4.1.2 典型相关分析方法及其应用 | 第38-39页 |
| 4.2 典型相关分析迁移学习算法 | 第39-42页 |
| 4.2.1 典型相关分析迁移学习思想 | 第39页 |
| 4.2.2 典型相关分析迁移学习算法 | 第39-42页 |
| 4.3 实验及分析 | 第42-46页 |
| 4.3.1 数据集介绍以及数据集组织方法 | 第42页 |
| 4.3.2 实验过程及对比实验 | 第42-43页 |
| 4.3.3 实验结果及分析 | 第43-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 基于协同训练的迁移学习 | 第47-57页 |
| 5.1 多视图学习及协同训练 | 第47-48页 |
| 5.1.1 多视图学习方法 | 第47页 |
| 5.1.2 协同训练方法 | 第47-48页 |
| 5.1.3 多视图迁移学习 | 第48页 |
| 5.2 协同训练多视图迁移学习 | 第48-51页 |
| 5.2.1 协同训练多视图迁移学习思想 | 第48-49页 |
| 5.2.2 协同训练多视图迁移学习算法 | 第49-51页 |
| 5.2.3 协同训练多视图迁移学习算法理论分析 | 第51页 |
| 5.3 实验及分析 | 第51-55页 |
| 5.3.1 实验数据组织 | 第52页 |
| 5.3.2 实验方法及对比实验 | 第52-53页 |
| 5.3.3 实验结果及分析 | 第53-55页 |
| 5.4 本章小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-65页 |
| 作者简介 | 第65-66页 |
| 1. 基本情况 | 第65页 |
| 2. 教育背景 | 第65页 |
| 3. 在学期间的研究成果 | 第65-66页 |