| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景和研究意义 | 第9-11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 ELM技术研究现状 | 第11-13页 |
| 1.2.2 主动学习技术研究现状 | 第13-14页 |
| 1.2.3 半监督学习技术研究现状 | 第14-15页 |
| 1.3 本文的研究目标和研究内容 | 第15-16页 |
| 1.3.1 研究目标 | 第15页 |
| 1.3.2 研究内容 | 第15-16页 |
| 1.4 本文结构 | 第16-17页 |
| 第二章 图像预处理及基于ELM的样本不确定性评估策略 | 第17-30页 |
| 2.1 图像预处理技术 | 第17-21页 |
| 2.1.1 SIFT特征提取 | 第17-20页 |
| 2.1.2 K-means聚类 | 第20-21页 |
| 2.1.3 特征编码 | 第21页 |
| 2.2 极限学习机 | 第21-25页 |
| 2.2.1 单隐层前馈神经网络 | 第21-23页 |
| 2.2.2 基于梯度下降算法的单隐层前馈神经网络 | 第23页 |
| 2.2.3 ELM的最小二乘解法 | 第23-24页 |
| 2.2.4 ELM的优化解法 | 第24-25页 |
| 2.3 基于ELM的样本不确定性评估策略 | 第25-28页 |
| 2.3.1 单隐层前馈神经网络输出的后验概率表示 | 第25-26页 |
| 2.3.2 二分类问题中的不确定性评估策略 | 第26-28页 |
| 2.3.3 多分类问题的不确定评估策略 | 第28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于BVSB主动学习及NN-ST半监督学习的极限学习机多类图像分类算法 | 第30-45页 |
| 3.1 主动学习算法 | 第30-32页 |
| 3.1.1 基于熵量度的采样法 | 第30-31页 |
| 3.1.2 最优-次优标记采样法 | 第31-32页 |
| 3.2 半监督学习算法 | 第32-34页 |
| 3.2.1 自训练半监督学习技术 | 第32-33页 |
| 3.2.2 最近邻自训练半监督学习技术 | 第33-34页 |
| 3.3 基于BVSB和NN-ST的ELM多分类算法 | 第34-35页 |
| 3.4 实验结果及讨论 | 第35-39页 |
| 3.4.1 在三个手写体图像数据集上的实验结果 | 第35-38页 |
| 3.4.2 在Caltech 101图像集上的实验结果 | 第38-39页 |
| 3.5 参数分析 | 第39-44页 |
| 3.5.1 K-means聚类算法中类簇数K对学习效果的影响 | 第40-41页 |
| 3.5.2 初始已标记样本和未标记样本比例对学习效果的影响 | 第41-43页 |
| 3.5.3 基于ELM与基于SVM的主动半监督学习算法性能比较 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 基于BVSB主动学习的SS-ELM多类图像分类算法 | 第45-55页 |
| 4.1 引言 | 第45-48页 |
| 4.1.1 流形正则化原理 | 第45-47页 |
| 4.1.2 SS-ELM工作原理 | 第47-48页 |
| 4.2 基于BvSB和SS-ELM的分类算法 | 第48-49页 |
| 4.3 实验及结果 | 第49-52页 |
| 4.3.1 在三个手写体图像数据集上的实验 | 第49-51页 |
| 4.3.2 在Caltech 101图像集上的实验结果 | 第51-52页 |
| 4.4 参数分析 | 第52-54页 |
| 4.4.1 错误补偿系数c_0对分类性能的影响 | 第52-53页 |
| 4.4.2 平衡因子λ对分类性能的影响 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 作者简介 | 第63页 |
