| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景和意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的工作 | 第13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第2章 半监督学习的相关理论 | 第15-25页 |
| 2.1 半监督学习的发展 | 第15-19页 |
| 2.1.1 监督学习 | 第15-16页 |
| 2.1.2 无监督学习 | 第16-17页 |
| 2.1.3 半监督学习 | 第17-19页 |
| 2.2 半监督学习分类和聚类 | 第19-20页 |
| 2.2.1 半监督分类 | 第19-20页 |
| 2.2.2 半监督聚类 | 第20页 |
| 2.3 半监督学习中的朴素贝叶斯分类器 | 第20-22页 |
| 2.4 多视图的半监督学习 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于 K 邻近与最大差距的置信度评估方法 | 第25-38页 |
| 3.1 基于 Knearest 的置信度评估方法 | 第25-27页 |
| 3.1.1 Knearest 置信度方法介绍 | 第25-26页 |
| 3.1.2 Knearest 置信度算法描述 | 第26-27页 |
| 3.2 基于 Max Distinction 的置信度评估方法 | 第27-29页 |
| 3.2.1 Max Distinction 置信度方法介绍 | 第27-28页 |
| 3.2.2 Max Distinction 置信度算法描述 | 第28-29页 |
| 3.3 两种置信度评估方法的对比实验 | 第29-37页 |
| 3.3.1 分类结果的评估方法及指标 | 第29-31页 |
| 3.3.2 实验数据集 | 第31页 |
| 3.3.3 实验结果与分析 | 第31-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于权重调节的两视图半监督分类算法 | 第38-60页 |
| 4.1 集成学习的相关概念 | 第38-39页 |
| 4.2 传统的两视图半监督算法及缺点 | 第39-40页 |
| 4.3 一种新型的两视图半监督分类算法的设计 | 第40-44页 |
| 4.3.1 NTVMD 算法的工作流程 | 第41-42页 |
| 4.3.2 NTVMD 算法描述 | 第42-44页 |
| 4.4 TVMD 和 NTVMD 的对比实验 | 第44-59页 |
| 4.4.1 实验环境 | 第44页 |
| 4.4.2 实验数据集 | 第44页 |
| 4.4.3 实验结果与分析 | 第44-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 研究工作总结 | 第60-61页 |
| 5.2 未来的研究工作 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 作者简介及在学期间所取得的科研成果 | 第66-67页 |
| 致谢 | 第67页 |
