| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 机器学习与迁移学习研究意义 | 第9-13页 |
| 1.1.1 机器学习研究意义 | 第9-10页 |
| 1.1.2 迁移学习研究意义 | 第10-13页 |
| 1.2 迁移学习研究现状 | 第13-16页 |
| 1.2.1 基于实例权重迁移学习 | 第13-15页 |
| 1.2.2 基于特征选择的迁移学习 | 第15页 |
| 1.2.3 特征映射的迁移学习 | 第15-16页 |
| 1.3 本文的工作及结构 | 第16-18页 |
| 第二章 迁移学习与多源迁移学习 | 第18-26页 |
| 2.1 引言 | 第18页 |
| 2.2 多源迁移学习介绍 | 第18-19页 |
| 2.3 MultiSrcTr AdaBoost算法 | 第19-23页 |
| 2.4 TransferBoost算法 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 基于伪标注核均值匹配多源迁移学习 | 第26-44页 |
| 3.1 引言 | 第26-27页 |
| 3.2 相关理论知识 | 第27-30页 |
| 3.2.1 涉及到的基础概念 | 第27页 |
| 3.2.2 最大均差方法与核均值匹配方法 | 第27-30页 |
| 3.2.3 伪标注核均值匹配方法 | 第30页 |
| 3.3 模型的提出 | 第30-34页 |
| 3.3.1 根据边沿概率分布赋权值 | 第31页 |
| 3.3.2 根据条件概率分布赋权值 | 第31-32页 |
| 3.3.3 目标领域分类器 | 第32-34页 |
| 3.4 理论分析 | 第34-35页 |
| 3.4.1 目标域的误差上界 | 第34-35页 |
| 3.5 实验及分析 | 第35-43页 |
| 3.5.1 实验数据集分析 | 第35-38页 |
| 3.5.2 实验结果与分析 | 第38-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 基于核均值匹配多源迁移算法改进 | 第44-56页 |
| 4.1 引言 | 第44页 |
| 4.2 基于伪标注核均值差多源迁移的迭代改进 | 第44-46页 |
| 4.3 基于KMM与SVM结合的多源迁移学习 | 第46-49页 |
| 4.3.1 最优和w的计算 | 第46-49页 |
| 4.4 实验与分析 | 第49-55页 |
| 4.4.1 基于伪标注核均值差多源迁移的迭代改进实验分析 | 第49-52页 |
| 4.4.2 基于KMM与SVM结合的多源迁移学习实验分析 | 第52-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 附件 | 第63页 |
