| 摘要 | 第9-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第16-46页 |
| 1.1 研究背景及意义 | 第16-33页 |
| 1.1.1 问题的提出及研究意义 | 第16-18页 |
| 1.1.2 迁移学习概述 | 第18-20页 |
| 1.1.3 与其它统计机器学习方法的区别和联系 | 第20-33页 |
| 1.2 国内外研究现状 | 第33-42页 |
| 1.2.1 理论层次 | 第33-36页 |
| 1.2.2 方法层次 | 第36-41页 |
| 1.2.3 应用层次 | 第41页 |
| 1.2.4 存在的问题及主要研究方向 | 第41-42页 |
| 1.3 论文的主要工作和主要贡献 | 第42-46页 |
| 1.3.1 论文的主要工作 | 第42-44页 |
| 1.3.2 论文的主要贡献 | 第44-46页 |
| 第二章 基于图模型的迁移学习方法 | 第46-56页 |
| 2.1 引言 | 第46-47页 |
| 2.2 建立数学模型 | 第47-50页 |
| 2.2.1 符号及问题形式化 | 第47-48页 |
| 2.2.2 域共有特征选择策略 | 第48-49页 |
| 2.2.3 三部图的构造 | 第49-50页 |
| 2.3 算法及分析 | 第50-51页 |
| 2.4 实验结果及分析 | 第51-54页 |
| 2.4.1 实验数据预处理 | 第51-52页 |
| 2.4.2 结果分析 | 第52-54页 |
| 2.5 本章小结 | 第54-56页 |
| 第三章 基于子空间的迁移学习方法 | 第56-84页 |
| 3.1 基于稀疏正则的特征选择方法 | 第56-66页 |
| 3.1.1 非监督最大间隔特征选择模型 | 第57-59页 |
| 3.1.2 算法及分析 | 第59-62页 |
| 3.1.3 实验结果及分析 | 第62-66页 |
| 3.2 基于稀疏正则的子空间迁移学习方法 | 第66-83页 |
| 3.2.1 引言 | 第66-68页 |
| 3.2.2 迁移稀疏子空间学习模型的建立 | 第68-69页 |
| 3.2.3 基于最大均值差异准则的TSSL模型及算法 | 第69-73页 |
| 3.2.4 基于Bregman散度准则的TSSL模型及算法 | 第73-76页 |
| 3.2.5 实验结果及分析 | 第76-83页 |
| 3.3 本章小结 | 第83-84页 |
| 第四章 基于非负矩阵分解的迁移学习方法 | 第84-116页 |
| 4.1 基于图正则和稀疏正则的非负矩阵分解方法 | 第84-96页 |
| 4.1.1 RSGNMF模型的建立 | 第85-87页 |
| 4.1.2 算法及分析 | 第87-92页 |
| 4.1.3 实验结果及分析 | 第92-96页 |
| 4.2 基于图正则和稀疏正则的迁移学习方法 | 第96-114页 |
| 4.2.1 引言 | 第97-99页 |
| 4.2.2 RSGTL模型的建立 | 第99-102页 |
| 4.2.3 算法及分析 | 第102-106页 |
| 4.2.4 实验结果及分析 | 第106-114页 |
| 4.3 本章小结 | 第114-116页 |
| 第五章 结束语 | 第116-120页 |
| 5.1 本文工作总结 | 第116-118页 |
| 5.2 下一步研究工作 | 第118-120页 |
| 第六章 致谢 | 第120-122页 |
| 参考文献 | 第122-134页 |
| 作者在学期间取得的学术成果 | 第134-135页 |