机器学习中知识迁移方法研究
| 摘要 | 第1-9页 |
| ABSTRACT | 第9-11页 |
| 第一章 绪论 | 第11-14页 |
| ·研究背景和意义 | 第11-12页 |
| ·本文工作及贡献 | 第12-14页 |
| ·本文组织结构 | 第12页 |
| ·本文贡献 | 第12-14页 |
| 第二章 迁移学习相关知识 | 第14-25页 |
| ·传统机器学习技术 | 第14-18页 |
| ·决策树分类技术 | 第14页 |
| ·贝叶斯分类技术 | 第14-15页 |
| ·人工神经网络 | 第15-16页 |
| ·支持向量机 | 第16-17页 |
| ·k-近邻分类 | 第17页 |
| ·回归预测 | 第17-18页 |
| ·迁移学习的历史 | 第18-19页 |
| ·迁移学习分类 | 第19-20页 |
| ·迁移学习算法 | 第20-24页 |
| ·归纳式迁移学习算法 | 第20-22页 |
| ·转换式迁移学习算法 | 第22-23页 |
| ·无监督迁移学习算法 | 第23-24页 |
| ·迁移学习应用 | 第24-25页 |
| 第三章 基于动态数据集重构的集成迁移学习 | 第25-31页 |
| ·算法提出背景 | 第25-26页 |
| ·相关理论知识 | 第26-29页 |
| ·AdaBoost 算法描述 | 第26-27页 |
| ·KL 散度 | 第27页 |
| ·数据集分割重构 | 第27-28页 |
| ·TrAdaboost 算法流程 | 第28-29页 |
| ·动态数据集重构的提升集成迁移学习 | 第29-31页 |
| ·DRTAT 算法流程 | 第29-30页 |
| ·DRTAT 算法思想分析 | 第30-31页 |
| 第四章 基于神经网络误差分析与数据重组的迁移学习 | 第31-36页 |
| ·算法提出背景 | 第31页 |
| ·问题描述 | 第31-32页 |
| ·迁移贡献度的初始化 | 第32-33页 |
| ·数据集重组与分类器集成 | 第33-34页 |
| ·NEDRT 算法思想分析 | 第34页 |
| ·NEDRT 算法流程 | 第34-36页 |
| 第五章 基于向量平移和模糊聚类的迁移学习 | 第36-41页 |
| ·算法提出背景 | 第36页 |
| ·解决方法探讨 | 第36-37页 |
| ·特征空间平移 | 第37-38页 |
| ·模糊C 均值聚类算法 | 第38-39页 |
| ·算法流程 | 第39-41页 |
| 第六章 实验分析 | 第41-46页 |
| ·DRTAT 实验结果 | 第41-42页 |
| ·实验数据 | 第41-42页 |
| ·实验结果 | 第42页 |
| ·NEDRT 实验分析 | 第42-46页 |
| ·数据集设置 | 第42-43页 |
| ·实验结果 | 第43-46页 |
| 第七章 总结与展望 | 第46-47页 |
| ·本文研究内容总结 | 第46页 |
| ·进一步的工作 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 攻读学位期间发表的学术论文 | 第50-51页 |
| 致谢 | 第51页 |
