| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·传统机器学习及迁移学习简介 | 第7-9页 |
| ·本人所作的工作和论文组织结构 | 第9-11页 |
| 第二章 迁移学习方法介绍 | 第11-19页 |
| ·迁移学习领域及任务介绍 | 第11-12页 |
| ·迁移学习分类及其研究现状 | 第12-14页 |
| ·TrAdaBoost算法 | 第14-17页 |
| ·小结 | 第17-19页 |
| 第三章 基于样本迁移的迁移学习算法研究 | 第19-35页 |
| ·径向基神经网络简介 | 第19-21页 |
| ·RBF神经网络原理介绍 | 第19-20页 |
| ·RBF神经网络结构 | 第20-21页 |
| ·实验数据集介绍 | 第21-23页 |
| ·UCI数据集 | 第21-22页 |
| ·雷达辐射源数据集 | 第22-23页 |
| ·基于简单投票制的样本迁移学习算法 | 第23-29页 |
| ·SSS算法介绍 | 第23-25页 |
| ·实验及分析 | 第25-29页 |
| ·基于自适应权值更新的TrAdaBoost算法改进 | 第29-33页 |
| ·TrAdaBoost算法存在问题及当前改进 | 第29-30页 |
| ·Adaptive-TrAdaBoost算法 | 第30-32页 |
| ·实验及分析 | 第32-33页 |
| ·小结 | 第33-35页 |
| 第四章 基于迁移成分分析域匹配的归纳式迁移学习方法 | 第35-49页 |
| ·域匹配定义及基于迁移成分分析的域匹配算法 | 第35-40页 |
| ·域匹配定义 | 第35-36页 |
| ·基于迁移成分分析的域匹配算法 | 第36-40页 |
| ·归纳式迁移成分分析域匹配算法 | 第40-41页 |
| ·基于聚类的样本选取算法对于ITCA算法的扩展 | 第41-43页 |
| ·实验及分析 | 第43-48页 |
| ·小结 | 第48-49页 |
| 第五章 基于多源的迁移算法研究 | 第49-59页 |
| ·多源迁移学习介绍 | 第49-50页 |
| ·基于标签共享子空间的多源迁移学习方法 | 第50-55页 |
| ·基于多源的样本多标签化 | 第50-52页 |
| ·标签共享子空间提取方法 | 第52-54页 |
| ·SSL算法描述 | 第54-55页 |
| ·实验及分析 | 第55-57页 |
| ·小结 | 第57-59页 |
| 第六章 总结与展望 | 第59-61页 |
| ·工作总结 | 第59页 |
| ·进一步研究 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士期间研究成果 | 第67-68页 |