脑机接口中半监督分类方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-15页 |
| ·半监督分类方法的研究背景和意义 | 第10-12页 |
| ·模式识别与机器学习 | 第10页 |
| ·传统的分类方法 | 第10-11页 |
| ·半监督分类 | 第11页 |
| ·半监督分类方法在脑机接口中的应用 | 第11-12页 |
| ·半监督分类方法的研究进展 | 第12-14页 |
| ·论文研究的主要内容和组织结构 | 第14-15页 |
| 第2章 标签均值的自训练半监督支持向量机 | 第15-29页 |
| ·算法 | 第16-22页 |
| ·半监督支持向量机 | 第16-17页 |
| ·标签均值用于半监督支持向量机 | 第17页 |
| ·凸松弛 | 第17-20页 |
| ·自训练分类算法 | 第20页 |
| ·基于多核学习的标签均值自训练半监督支持向量机 | 第20-21页 |
| ·交替优化 | 第21页 |
| ·基于迭代优化的标签均值自训练半监督支持向量机 | 第21-22页 |
| ·实验仿真与分析 | 第22-27页 |
| ·实验数据介绍 | 第23-24页 |
| ·分类正确率的仿真结果 | 第24-26页 |
| ·运算效率的仿真结果 | 第26-27页 |
| ·仿真结果分析 | 第27页 |
| ·本章小结 | 第27-29页 |
| 第3章 基于辅助训练的半监督线性支持向量机 | 第29-44页 |
| ·辅助训练算法 | 第30-31页 |
| ·生成式分类器 | 第30页 |
| ·判别式分类器 | 第30-31页 |
| ·辅助训练算法 | 第31页 |
| ·基于辅助训练的半监督线性支持向量机 | 第31-33页 |
| ·概率密度估计方法的简单介绍 | 第32页 |
| ·基于辅助训练的半监督线性支持向量机 | 第32-33页 |
| ·实验仿真与分析 | 第33-42页 |
| ·实验数据介绍 | 第33-34页 |
| ·仿真中采用的标记策略 | 第34-35页 |
| ·仿真结果与分析 | 第35-39页 |
| ·与其它方法仿真结果的对比分析 | 第39-42页 |
| ·本章小结 | 第42-44页 |
| 第4章 基于辅助训练的半监督稀疏表示分类器 | 第44-58页 |
| ·稀疏表示分类器 | 第45-48页 |
| ·稀疏表示的基本思想 | 第45-47页 |
| ·基于稀疏表示的分类 | 第47-48页 |
| ·基于辅助训练的半监督稀疏表示分类器 | 第48-50页 |
| ·实验仿真与分析 | 第50-57页 |
| ·仿真中采用的标记策略 | 第50-52页 |
| ·仿真结果与分析 | 第52-57页 |
| ·本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第64-65页 |
| 致谢 | 第65-66页 |
| 作者简介 | 第66页 |
