| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 中英文缩写对照表 | 第11-13页 |
| 1 绪论 | 第13-27页 |
| 1.1 引言 | 第13页 |
| 1.2 研究背景及意义 | 第13-15页 |
| 1.3 机器学习 | 第15-17页 |
| 1.4 半监督学习算法的研究现状 | 第17-23页 |
| 1.5 本文主要研究内容 | 第23-24页 |
| 1.6 课题来源及内容安排 | 第24-27页 |
| 2 基于流形结构的半监督混合高斯模型 | 第27-47页 |
| 2.1 引言 | 第27-28页 |
| 2.2 背景知识 | 第28-30页 |
| 2.3 基于流形结构的半监督混合高斯模型 | 第30-35页 |
| 2.4 聚类实验与分析 | 第35-43页 |
| 2.5 图像分割实验 | 第43-46页 |
| 2.6 本章小结 | 第46页 |
| 依据本章内容撰写和发表的论文 | 第46-47页 |
| 3 基于拉普拉斯正则化的半监督核最小平方误差算法 | 第47-64页 |
| 3.1 引言 | 第47-48页 |
| 3.2 核最小平方误差算法 | 第48-50页 |
| 3.3 基于拉普拉斯正则化的半监督核最小平方误差算法 | 第50-52页 |
| 3.4 实验分析 | 第52-62页 |
| 3.5 本章小结 | 第62-63页 |
| 依据本章内容撰写和发表的论文 | 第63-64页 |
| 4 基于聚类分析的自训练分类算法 | 第64-85页 |
| 4.1 引言 | 第64-67页 |
| 4.2 背景知识 | 第67-70页 |
| 4.3 基于聚类分析的自训练分类算法 | 第70-72页 |
| 4.4 实验分析 | 第72-84页 |
| 4.5 本章小结 | 第84页 |
| 依据本章内容撰写和发表的论文 | 第84-85页 |
| 5 基于半监督降维技术和仿射传播算法的自训练分类算法 | 第85-101页 |
| 5.1 引言 | 第85-88页 |
| 5.2 背景知识 | 第88-92页 |
| 5.3 基于半监督降维技术和仿射传播算法的自训练分类算法 | 第92-94页 |
| 5.4 实验分析 | 第94-100页 |
| 5.5 本章小结 | 第100页 |
| 依据本章内容撰写和发表的论文 | 第100-101页 |
| 6 总结与展望 | 第101-104页 |
| 6.1 工作总结 | 第101-103页 |
| 6.2 展望 | 第103-104页 |
| 致谢 | 第104-105页 |
| 参考文献 | 第105-121页 |
| 附录1 攻读学位期间发表的学术论文 | 第121-123页 |
| 附录2 公开发表的学术论文与博士学位论文的关系 | 第123-124页 |
| 附录3 攻读学位期间参与课题 | 第124页 |
