高维数据上的半监督学习研究
| 摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 目录 | 第10-13页 |
| 图索引 | 第13-15页 |
| 表索引 | 第15-16页 |
| 主要符号表 | 第16-17页 |
| 第一章 绪论 | 第17-39页 |
| ·课题背景及意义 | 第17-19页 |
| ·半监督学习 | 第19-31页 |
| ·半监督分类 | 第22-25页 |
| ·半监督聚类 | 第25-27页 |
| ·半监督降维 | 第27-30页 |
| ·半监督学习与集成学习 | 第30页 |
| ·半监督学习与多标记学习 | 第30-31页 |
| ·图构造策略 | 第31-34页 |
| ·近邻图 | 第31-32页 |
| ·利用领域知识构图 | 第32页 |
| ·利用局部调整构图 | 第32页 |
| ·稀疏表示构图 | 第32-33页 |
| ·多图融合构图 | 第33页 |
| ·其它构图方法 | 第33-34页 |
| ·半监督学习在高维数据上的难题 | 第34-35页 |
| ·研究目标、内容及创新点 | 第35-36页 |
| ·本文的组织 | 第36-39页 |
| 第二章 半监督维数约减研究 | 第39-59页 |
| ·基于鲁棒路径相似度的增强保局投影 | 第39-52页 |
| ·相关工作 | 第39-40页 |
| ·保局投影方法 | 第40-41页 |
| ·鲁棒路径相似性度量 | 第41-44页 |
| ·增强保局投影 | 第44-45页 |
| ·半监督增强保局投影 | 第45-46页 |
| ·实验及分析 | 第46-52页 |
| ·基于混合图的半监督维数约减 | 第52-58页 |
| ·混合图构造 | 第52-53页 |
| ·基于混合图的半监督降维 | 第53-54页 |
| ·实验及分析 | 第54-58页 |
| ·本章小结 | 第58-59页 |
| 第三章 基于随机子空间降维的半监督分类 | 第59-82页 |
| ·相关工作 | 第60-62页 |
| ·基于随机子空间的集成分类方法 | 第60-61页 |
| ·基于图优化的半监督分类 | 第61页 |
| ·与相关工作的不同之处 | 第61-62页 |
| ·随机子空间降维 | 第62-67页 |
| ·原始空间上的半监督维数约减 | 第63-65页 |
| ·随机子空间上的半监督维数约减 | 第65-66页 |
| ·与其它半监督维数约减方法的区别 | 第66-67页 |
| ·半监督集成分类 | 第67-71页 |
| ·半监督非线性分类 | 第67-69页 |
| ·半监督集成分类 | 第69-71页 |
| ·实验与分析 | 第71-80页 |
| ·不同数量有标记样本下的分类性能 | 第72-73页 |
| ·精度和差异性分析 | 第73-75页 |
| ·参数敏感性分析 | 第75-80页 |
| ·本章小结 | 第80-82页 |
| 第四章 子空间上的半监督集成分类 | 第82-103页 |
| ·相关工作 | 第83-86页 |
| ·基于子空间的集成分类方法 | 第83-84页 |
| ·基于图优化的半监督分类方法 | 第84-85页 |
| ·与相关工作的不同之处 | 第85-86页 |
| ·半监督线性分类器 | 第86-88页 |
| ·子空间上的集成分类器 | 第88-92页 |
| ·实验与分析 | 第92-101页 |
| ·不同数量有标记样本下的分类性能 | 第93-95页 |
| ·集成分类器的精度和差异性分析 | 第95-98页 |
| ·参数敏感性分析 | 第98-101页 |
| ·本章小结 | 第101-103页 |
| 第五章 直推多标记集成分类 | 第103-120页 |
| ·相关工作 | 第104-106页 |
| ·基于多标记学习的蛋白质功能预测 | 第104-105页 |
| ·基于数据集成的蛋白质功能预测 | 第105-106页 |
| ·基于有向双关系图的多标记直推分类 | 第106-110页 |
| ·直推多标记集成分类 | 第110-112页 |
| ·实验分析 | 第112-119页 |
| ·有向双关系图与无向双关系图 | 第114-116页 |
| ·多核与单核 | 第116-117页 |
| ·参数敏感性分析 | 第117-119页 |
| ·本章小结 | 第119-120页 |
| 结论与展望 | 第120-123页 |
| 参考文献 | 第123-135页 |
| 攻读博士学位期间取得的研究成果 | 第135-138页 |
| 致谢 | 第138-140页 |
| 答辩委员会对论文的评定意见 | 第140页 |
