多标签学习的特征降维方法
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究意义 | 第10-11页 |
| 1.2 本文主要工作和组织结构 | 第11-14页 |
| 1.2.1 本文主要工作 | 第11-12页 |
| 1.2.2 本文组织结构 | 第12-14页 |
| 第2章 背景知识 | 第14-28页 |
| 2.1 多标签学习的基本理论 | 第14-15页 |
| 2.2 多标签学习分类 | 第15-22页 |
| 2.2.1 多标签学习分类举例 | 第15-17页 |
| 2.2.2 多标签学习分类方法 | 第17-20页 |
| 2.2.3 多标签学习分类评价标准 | 第20-22页 |
| 2.3 多标签学习特征降维 | 第22-26页 |
| 2.3.1 特征降维方法 | 第23-25页 |
| 2.3.2 多标签学习特征降维方法 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 基于主成分分析的多标签学习特征降维 | 第28-44页 |
| 3.1 PCA算法理论 | 第28-32页 |
| 3.1.1 PCA算法原理 | 第28页 |
| 3.1.2 PCA算法求解过程 | 第28-31页 |
| 3.1.3 PCA算法步骤 | 第31-32页 |
| 3.2 MLFR-PCA算法 | 第32-36页 |
| 3.2.1 构造MLFR-PCA算法目标函数 | 第32-34页 |
| 3.2.2 MLFR-PCA算法目标函数问题求解 | 第34-35页 |
| 3.2.3 MLFR-PCA算法步骤 | 第35-36页 |
| 3.3 MLFR-PCA算法实验设置与实验结果 | 第36-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第4章 基于非负矩阵分解的多标签学习特征降维 | 第44-58页 |
| 4.1 NMF算法理论 | 第44-48页 |
| 4.1.1 NMF算法原理 | 第44-45页 |
| 4.1.2 NMF算法求解过程 | 第45-47页 |
| 4.1.3 NMF算法步骤 | 第47-48页 |
| 4.2 MLFR-NMF算法 | 第48-52页 |
| 4.2.1 数据形式化表示 | 第48页 |
| 4.2.2 构造MLFR-NMF算法目标函数 | 第48-50页 |
| 4.2.3 MLFR-NMF算法目标函数问题求解 | 第50-51页 |
| 4.2.4 MLFR-NMF算法步骤 | 第51-52页 |
| 4.3 MLFR-NMF算法实验设置与实验结果 | 第52-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 未来工作展望 | 第58-60页 |
| 参考文献 | 第60-70页 |
| 致谢 | 第70-72页 |
| 攻读学位期间取得的科研成果 | 第72页 |
