半监督学习分类算法的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-25页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 机器学习 | 第10-13页 |
| 1.2.1 无监督学习 | 第11页 |
| 1.2.2 有监督学习 | 第11-12页 |
| 1.2.3 半监督学习 | 第12-13页 |
| 1.3 半监督学习算法研究现状 | 第13-16页 |
| 1.3.1 半监督聚类算法 | 第13-14页 |
| 1.3.2 半监督分类算法 | 第14-16页 |
| 1.4 半监督学习算法 | 第16-23页 |
| 1.4.1 基于SVM的半监督学习算法 | 第16-17页 |
| 1.4.2 基于K-均值的半监督学习算法 | 第17-18页 |
| 1.4.3 基于核方法的半监督学习算法 | 第18-19页 |
| 1.4.4 EM半监督学习算法 | 第19-20页 |
| 1.4.5 图的半监督学习算法 | 第20-22页 |
| 1.4.6 增量半监督学习算法 | 第22-23页 |
| 1.5 本文的工作 | 第23-25页 |
| 第2章 基于协同训练的半监督SVM分类算法 | 第25-40页 |
| 2.1 引言 | 第25-27页 |
| 2.2 问题描述 | 第27页 |
| 2.3 半监督支持向量机分类算法 | 第27-34页 |
| 2.3.1 支持向量机原理 | 第27-30页 |
| 2.3.2 基于遗传算法的SVM参数优化 | 第30-31页 |
| 2.3.3 基于协同训练的支持向量机分类算法 | 第31-34页 |
| 2.4 算法验证与应用 | 第34-39页 |
| 2.4.1 UCI数据集 | 第34-37页 |
| 2.4.2 原核蛋白蛹化点位分类 | 第37-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第3章 时间序列的半监督SVM分类算法 | 第40-58页 |
| 3.1 引言 | 第40-42页 |
| 3.2 问题描述 | 第42-43页 |
| 3.3 自训练SVM时间序列分类算法 | 第43-51页 |
| 3.3.1 时间序列预处理 | 第44-48页 |
| 3.3.2 基于聚类分析的自训练分类 | 第48-51页 |
| 3.4 算法验证与应用 | 第51-56页 |
| 3.4.1 UCR数据集 | 第51-53页 |
| 3.4.2 实时细胞分析仪边缘效应检测 | 第53-56页 |
| 3.5 本章小结 | 第56-58页 |
| 第4章 总结与展望 | 第58-60页 |
| 4.1 总结 | 第58-59页 |
| 4.2 展望 | 第59-60页 |
| 附录Ⅰ 实验设计 | 第60-63页 |
| 一、xCELLigence高通量实时细胞分析仪 | 第60-61页 |
| 二、实验流程 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间的主要学术成果 | 第69页 |
