| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 机器学习概述 | 第9-12页 |
| 1.1.1 监督学习 | 第10-11页 |
| 1.1.2 无监督学习 | 第11页 |
| 1.1.3 半监督学习 | 第11-12页 |
| 1.2 研究目的和意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-14页 |
| 1.4 本文主要内容与组织结构 | 第14-16页 |
| 第二章 半监督分类学习问题概述 | 第16-24页 |
| 2.1 引言 | 第16页 |
| 2.2 半监督学习基本假设 | 第16-18页 |
| 2.2.1 聚类假设 | 第16-17页 |
| 2.2.2 流形假设 | 第17-18页 |
| 2.3 半监督学习算法分类 | 第18-23页 |
| 2.3.1 自训练方法 | 第18页 |
| 2.3.2 生成式方法 | 第18-19页 |
| 2.3.3 协同训练方法 | 第19-21页 |
| 2.3.4 大间隔方法 | 第21-22页 |
| 2.3.5 基于图的方法 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 典型半监督分类算法的研究分析 | 第24-37页 |
| 3.1 引言 | 第24页 |
| 3.2 转导支持向量机 | 第24-26页 |
| 3.3 流形正则化 | 第26-27页 |
| 3.4 半监督Boosting算法 | 第27-29页 |
| 3.5 隐式约束的半监督最小二乘方法 | 第29-30页 |
| 3.6 实验及其结果分析 | 第30-35页 |
| 3.6.1 数据集和实验设置 | 第30-33页 |
| 3.6.2 人工数据集实验结果比较分析 | 第33页 |
| 3.6.3 真实数据集实验结果比较分析 | 第33-34页 |
| 3.6.4 健壮性比较分析 | 第34-35页 |
| 3.7 分析讨论 | 第35-36页 |
| 3.8 本章小结 | 第36-37页 |
| 第四章 图自适应的半监督流形正则化分类学习框架 | 第37-48页 |
| 4.1 引言 | 第37-38页 |
| 4.2 流形正则化框架 | 第38-39页 |
| 4.3 图自适应的半监督流形正则化分类学习框架 | 第39-43页 |
| 4.3.1 建立模型 | 第39-40页 |
| 4.3.2 熵约束的图自适应半监督流形正则化方法 | 第40-41页 |
| 4.3.3 稀疏约束的图自适应半监督流形正则化方法 | 第41-42页 |
| 4.3.4 算法描述 | 第42-43页 |
| 4.4 实验结果与分析 | 第43-47页 |
| 4.4.1 数据集和实验设置 | 第43-44页 |
| 4.4.2 实验结果比较分析 | 第44-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第54-55页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第55-56页 |
| 致谢 | 第56页 |