| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 绪论 | 第11-18页 |
| ·引言 | 第11页 |
| ·领域适应学习研究背景 | 第11-13页 |
| ·领域适应学习研究现状 | 第13-15页 |
| ·课题研究的几个问题 | 第15-16页 |
| ·课题主要研究内容和本文结构 | 第16-18页 |
| 第二章 基于最小包含球的大数据域自适应快速算法 | 第18-36页 |
| ·引言 | 第18页 |
| ·SVDD 及其快速算法 CSVDD 基本原理 | 第18-21页 |
| ·SVDD 原理 | 第18-19页 |
| ·近似最小包含球问题 | 第19-20页 |
| ·CSVDD 原理 | 第20-21页 |
| ·CC-SVDD 及其快速算法 CC-CSVDD 基本原理 | 第21-27页 |
| ·CC-SVDD 原理 | 第21-24页 |
| ·CC-CSVDD 快速算法 | 第24-27页 |
| ·实验与分析 | 第27-35页 |
| ·模拟数据集实验 | 第28-32页 |
| ·基于真实数据集的试验 | 第32-34页 |
| ·实验小结 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 大样本领域自适应支撑向量回归机 | 第36-51页 |
| ·引言 | 第36页 |
| ·CVR 算法 | 第36-38页 |
| ·L2-SVR 算法 | 第36-38页 |
| ·SVR 与 CC-MEB 之间的关系 | 第38页 |
| ·A-CVR 算法 | 第38-41页 |
| ·A-CVR 原理 | 第38-39页 |
| ·A-CVR 原理 | 第39-40页 |
| ·A-CVR 算法 | 第40-41页 |
| ·实验与分析 | 第41-50页 |
| ·Benchmark 数据集实验 | 第41-46页 |
| ·真实数据集实验 | 第46-50页 |
| ·本章小结 | 第50-51页 |
| 第四章 TL-SVM:一种迁移学习新算法 | 第51-64页 |
| ·引言 | 第51页 |
| ·问题的提出 | 第51-52页 |
| ·TL-SVM 算法 | 第52-55页 |
| ·软间隔优化 SVM | 第52-53页 |
| ·TL-SVM 算法 | 第53-55页 |
| ·实验结果与分析 | 第55-63页 |
| ·人造数据集实验 | 第56-57页 |
| ·真实数据集实验 | 第57-59页 |
| ·算法比较研究 | 第59页 |
| ·实验结果 | 第59-63页 |
| ·实验小结 | 第63页 |
| ·本章小结 | 第63-64页 |
| 第五章 一种新的面向迁移学习的 L2核分类器 | 第64-75页 |
| ·引言 | 第64-65页 |
| ·L2核分类器 | 第65-66页 |
| ·L2核分类器的基本思想 | 第65-66页 |
| ·L2核分类器的几何解释 | 第66页 |
| ·面向迁移学习的 L2核分类器 | 第66-69页 |
| ·TL-L2KC 理论依据 | 第66-68页 |
| ·TL-L2KC 算法分析 | 第68-69页 |
| ·实验结果与分析 | 第69-74页 |
| ·人造数据集实验 | 第69-72页 |
| ·真实数据集实验 | 第72-74页 |
| ·本章小结 | 第74-75页 |
| 第六章 基于 RSDE 的领域自适应概率密度估计方法 | 第75-85页 |
| ·引言 | 第75页 |
| ·RSDE：reduced set density estimator | 第75-76页 |
| ·A-RSDE：Adaptive-RSDE | 第76-79页 |
| ·A-RSDE 原理 | 第76-77页 |
| ·A-RSDE 快速算法 A-FRSDE | 第77-79页 |
| ·实验与分析 | 第79-84页 |
| ·BenchMark 数据集实验 | 第80-83页 |
| ·UCI 数据集实验 | 第83-84页 |
| ·本章小结 | 第84-85页 |
| 第七章 密度估计线性组合空间之近似框架及其应用研究 | 第85-110页 |
| ·引言 | 第85页 |
| ·密度估计线性组合空间及其基于 ISE 准则的近似框架 | 第85-88页 |
| ·密度估计线性组合空间 | 第85-87页 |
| ·问题的逼近框架 | 第87-88页 |
| ·框架的应用讨论 | 第88-95页 |
| ·应用 1:数据浓缩概率密度估计 | 第88-89页 |
| ·应用 2:新颖的 L2核分类器 | 第89-90页 |
| ·应用 3:随机变量间独立性判别 | 第90-91页 |
| ·应用 4:条件概率密度估计 | 第91-92页 |
| ·应用 5:判断多源域与目标域间的相似性 | 第92-95页 |
| ·实验及结果分析 | 第95-109页 |
| ·数据浓缩实验 | 第95-97页 |
| ·分类实验 | 第97-102页 |
| ·随机变量间独立性判别实验 | 第102-107页 |
| ·条件概率密度估计 | 第107-108页 |
| ·多源域与目标域相似性判别实验 | 第108-109页 |
| ·本章小结 | 第109-110页 |
| 第八章 主要结论与展望 | 第110-112页 |
| ·主要结论 | 第110页 |
| ·展望 | 第110-112页 |
| 致谢 | 第112-113页 |
| 参考文献 | 第113-120页 |
| 附录1: 作者在攻读博士学位期间发表的论文 | 第120-121页 |
| 附录2: 作者在攻读博士学位期间参与的科研项目 | 第121页 |
