| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 本课题研究背景 | 第11-12页 |
| 1.2 国内外研究现状分析 | 第12-15页 |
| 1.2.1 迁移学习研究现状分析 | 第12页 |
| 1.2.2 选择性集成研究现状分析 | 第12-13页 |
| 1.2.3 多个基分类器的产生方式 | 第13-14页 |
| 1.2.4 基分类器分类结果的合成方式 | 第14-15页 |
| 1.3 本文的主要工作及创新点 | 第15-17页 |
| 1.4 本文各章内容安排 | 第17-18页 |
| 第二章 迁移学习概述 | 第18-22页 |
| 2.1 迁移学习的定义 | 第18-19页 |
| 2.2 迁移学习的分类 | 第19-20页 |
| 2.3 迁移学习的研究内容 | 第20-21页 |
| 2.4 迁移学习的应用 | 第21-22页 |
| 第三章 选择性集成方法概述 | 第22-26页 |
| 3.1 现有的选择性集成方法 | 第22-23页 |
| 3.2 剪枝数据集 | 第23-24页 |
| 3.3 度量准则 | 第24-25页 |
| 3.4 剪枝率 | 第25-26页 |
| 第四章 支持向量机 | 第26-29页 |
| 4.1 支持向量机的基本理论 | 第26-27页 |
| 4.2 核函数 | 第27-29页 |
| 第五章 一种新型的基于知识杠杆的迁移学习算法 | 第29-47页 |
| 5.1 引言 | 第29页 |
| 5.2 RankRE-TL迁移算法 | 第29-36页 |
| 5.2.1 基于RankRE准则的选择性集成方法 | 第30-31页 |
| 5.2.2 RankRE-TL算法的SVM集成系统构建阶段 | 第31-33页 |
| 5.2.3 RankRE-TL算法的迁移剪枝集构造阶段 | 第33-34页 |
| 5.2.4 RankRE-TL算法的集成剪枝系统构造阶段 | 第34-36页 |
| 5.3 RankRE-TL算法在迁移学习中的应用分析 | 第36-38页 |
| 5.4 实验及分析 | 第38-46页 |
| 5.4.1 实验数据集及预处理 | 第38-40页 |
| 5.4.2 实验方法 | 第40页 |
| 5.4.3 实验结果及分析 | 第40-46页 |
| 5.5 本章小结 | 第46-47页 |
| 第六章 一种融合TrSVM和GASEN算法的迁移学习方法 | 第47-63页 |
| 6.1 引言 | 第47-48页 |
| 6.2 TrSVM算法 | 第48-50页 |
| 6.3 GASEN算法 | 第50-53页 |
| 6.4 融合TrSVM和GASEN的迁移学习算法 | 第53-55页 |
| 6.5 TrGASVM迁移算法 | 第55-57页 |
| 6.6 实验及分析 | 第57-62页 |
| 6.6.1 实验方法 | 第57-58页 |
| 6.6.2 实验结果及分析 | 第58-62页 |
| 6.7 本章小结 | 第62-63页 |
| 第七章 总结与展望 | 第63-65页 |
| 7.1 总结 | 第63页 |
| 7.2 未来工作展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 硕士研究生期间完成的学术论文 | 第71页 |
