快速增量式分类算法研究
| 中文摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 图目录 | 第9-11页 |
| 表目录 | 第11-12页 |
| 第一章 绪论 | 第12-16页 |
| ·研究背景及意义 | 第12-13页 |
| ·相关工作 | 第13页 |
| ·数据集 | 第13-14页 |
| ·本文主要贡献 | 第14-15页 |
| ·论文结构 | 第15-16页 |
| 第二章 降维方法 | 第16-26页 |
| ·主成分分析 | 第16-20页 |
| ·CCIPCA | 第17-18页 |
| ·LET-IPCA | 第18-20页 |
| ·线性判别分析 | 第20页 |
| ·基于非负矩阵分解的降维方法 | 第20-24页 |
| ·基本的非负矩阵分解方法 | 第20-21页 |
| ·局部NNMF方法 | 第21-22页 |
| ·基于α"距离"的NNMF方法 | 第22-23页 |
| ·GD-CLS方法 | 第23页 |
| ·可控稀疏度的NNMF方法 | 第23-24页 |
| ·非线性降维方法 | 第24-26页 |
| ·局部线性嵌入方法 | 第24页 |
| ·谱方法 | 第24-26页 |
| 第三章 分类方法 | 第26-38页 |
| ·支持向量机 | 第26-28页 |
| ·核方法 | 第27-28页 |
| ·增量式学习方法 | 第28-32页 |
| ·基于支持向量的学习方法 | 第28页 |
| ·基于支持向量的改进学习方法 | 第28-29页 |
| ·支持向量分类机 | 第29页 |
| ·基于K均值和主动查询的学习方法 | 第29-30页 |
| ·基于近似支持向量机的学习方法 | 第30-32页 |
| ·迁移学习 | 第32-38页 |
| ·终身学习系统 | 第33-34页 |
| ·多任务学习 | 第34-35页 |
| ·自教学习 | 第35-36页 |
| ·特征迁移学习 | 第36-37页 |
| ·负迁移问题 | 第37-38页 |
| 第四章 基于非负矩阵分解的归一化降维方法 | 第38-59页 |
| ·介绍 | 第38-39页 |
| ·相关工作 | 第39-42页 |
| ·预备知识 | 第39-41页 |
| ·降维 | 第41-42页 |
| ·基于矩阵分解的归一化降维方法 | 第42-47页 |
| ·降维模型 | 第42-44页 |
| ·压缩矩阵C的更新 | 第44页 |
| ·映射矩阵M的更新 | 第44-45页 |
| ·矩阵M的稀疏性 | 第45页 |
| ·矩阵C和M的归一化 | 第45-46页 |
| ·NNMF用于聚类和降维 | 第46-47页 |
| ·NCMF算法描述 | 第47-48页 |
| ·NCMF算法 | 第47-48页 |
| ·维的归一化 | 第48页 |
| ·实验 | 第48-56页 |
| ·基准数据集 | 第48-50页 |
| ·评估标准 | 第50-51页 |
| ·维数r | 第51页 |
| ·迭代次数l | 第51-52页 |
| ·实验结果 | 第52-56页 |
| ·本章总结及进一步工作 | 第56-59页 |
| 第五章 免矩阵逆的增量式学习算法 | 第59-74页 |
| ·介绍 | 第59-61页 |
| ·免矩阵逆的ISVM | 第61-65页 |
| ·基本方法 | 第61-64页 |
| ·对IMISVM的提高 | 第64页 |
| ·ISVM和IMISVM的比较 | 第64-65页 |
| ·IMISVM算法描述 | 第65-66页 |
| ·实验 | 第66-71页 |
| ·基准数据集 | 第66-67页 |
| ·实验结果 | 第67-71页 |
| ·本章总结 | 第71-74页 |
| 第六章 增量式迁移学习方法 | 第74-85页 |
| ·介绍 | 第74-75页 |
| ·基于ISVM的迁移学习 | 第75-78页 |
| ·加速ISVM算法 | 第76-77页 |
| ·更新样本权 | 第77-78页 |
| ·TrISVM算法描述 | 第78-79页 |
| ·实验 | 第79-82页 |
| ·基准数据集 | 第79-80页 |
| ·实验结果 | 第80-82页 |
| ·本章总结 | 第82-85页 |
| 第七章 总结与展望 | 第85-87页 |
| ·本文工作总结 | 第85-86页 |
| ·展望 | 第86-87页 |
| 参考文献 | 第87-96页 |
| 攻读博士期间发表或完成的论文 | 第96-97页 |
| 致谢 | 第97-99页 |
