| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景 | 第10-12页 |
| ·流形学习 | 第10-11页 |
| ·支持向量机与核学习 | 第11-12页 |
| ·迁移学习 | 第12页 |
| ·存在的问题 | 第12-13页 |
| ·课题的主要研究内容和本文组织 | 第13-16页 |
| 第二章 L1范局部线性嵌入 | 第16-28页 |
| ·引言 | 第16-17页 |
| ·LLE 算法 | 第17-18页 |
| ·L1-LLE 算法 | 第18-21页 |
| ·L1-LLE 抗噪性分析 | 第21-22页 |
| ·实验结果 | 第22-25页 |
| ·人造数据 | 第22-23页 |
| ·实际数据 | 第23-25页 |
| ·本章小结 | 第25-28页 |
| 第三章 具有磁场效应的大间隔支持向量机 | 第28-42页 |
| ·引言 | 第28-29页 |
| ·从 SVM 到 SSLM | 第29-30页 |
| ·MFSVM | 第30-35页 |
| ·问题描述 | 第30-31页 |
| ·MFSVM 算法 | 第31-35页 |
| ·MFSVM 模型性能分析 | 第35-37页 |
| ·实验结果及分析 | 第37-40页 |
| ·参数对 MFSVM 的性能影响 | 第37-38页 |
| ·实验结论 | 第38-40页 |
| ·本章小结 | 第40-42页 |
| 第四章 局部保留最大信息差 V-支持向量机 | 第42-58页 |
| ·引言 | 第42-43页 |
| ·V-LPMIVSVM | 第43-48页 |
| ·问题描述 | 第43-44页 |
| ·线性 v-LPMIVSVM | 第44-46页 |
| ·非线性扩展 | 第46-48页 |
| ·讨论 | 第48-50页 |
| ·数据间距离度量 | 第48-49页 |
| ·参数属性 | 第49页 |
| ·泛化性能分析 | 第49-50页 |
| ·实验分析 | 第50-57页 |
| ·人造数据实验 | 第50-52页 |
| ·实际数据集实验 | 第52-57页 |
| ·参数选择讨论 | 第57页 |
| ·本章小结 | 第57-58页 |
| 第五章 大间隔最小压缩包含球学习机 | 第58-72页 |
| ·引言 | 第58-59页 |
| ·LMMREB | 第59-63页 |
| ·相关概念 | 第59-60页 |
| ·问题描述 | 第60-61页 |
| ·LMMREB 算法 | 第61-63页 |
| ·算法分析 | 第63-64页 |
| ·泛化能力分析 | 第63页 |
| ·复杂度分析 | 第63-64页 |
| ·参数q,v属性分析 | 第64页 |
| ·实验结果及分析 | 第64-71页 |
| ·实验参数设置 | 第64-65页 |
| ·参数q,v对 LMMREB 分类精度影响 | 第65-67页 |
| ·人造数据集 | 第67页 |
| ·实际数据集 | 第67-70页 |
| ·实验结论 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 总间隔模糊超球学习机 | 第72-88页 |
| ·引言 | 第72-73页 |
| ·SSLM | 第73-74页 |
| ·TMF-SSLM 方法思想 | 第74-76页 |
| ·相关概念 | 第74-75页 |
| ·TMF-SSLM 基本思想 | 第75-76页 |
| ·TMF-SSLM 算法 | 第76-80页 |
| ·线性不可分情况 | 第76-78页 |
| ·非线性不可分情况 | 第78页 |
| ·优化超球半径与间隔的求解 | 第78-79页 |
| ·讨论：关于模糊隶属度的确定 | 第79-80页 |
| ·决策函数 | 第80页 |
| ·算法分析 | 第80-82页 |
| ·泛化能力分析 | 第80-81页 |
| ·参数v属性 | 第81-82页 |
| ·复杂度分析 | 第82页 |
| ·实验结果及分析 | 第82-87页 |
| ·二元模式分类 | 第83-84页 |
| ·一元模式分类 | 第84-87页 |
| ·本章小结 | 第87-88页 |
| 第七章 领域适应核支持向量机 | 第88-112页 |
| ·引言 | 第88-91页 |
| ·领域分布的 RKHS 嵌入距离度量 | 第91-94页 |
| ·DAKSVM 方法 | 第94-100页 |
| ·相关概念与问题描述 | 第94-96页 |
| ·DAKSVM 算法 | 第96-99页 |
| ·方法扩展 | 第99-100页 |
| ·讨论 | 第100-102页 |
| ·泛化误差界 | 第100-101页 |
| ·矩阵奇异问题 | 第101-102页 |
| ·核带宽的协调 | 第102页 |
| ·执行效率问题 | 第102页 |
| ·实验分析 | 第102-110页 |
| ·人造数据实验 | 第103-104页 |
| ·实际数据实验 | 第104-105页 |
| ·多类分类实验 | 第105-106页 |
| ·参数敏感实验 | 第106-110页 |
| ·本章小结 | 第110-112页 |
| 第八章 核分布一致局部领域适应学习 | 第112-132页 |
| ·引言 | 第112-114页 |
| ·KDC-LDAC 方法 | 第114-120页 |
| ·相关概念与问题描述 | 第114-116页 |
| ·核分布一致正则化领域适应初始化 | 第116-118页 |
| ·目标标签局部重构学习 | 第118-119页 |
| ·目标领域判别函数学习 | 第119-120页 |
| ·KDC-LDAC 完整算法 | 第120页 |
| ·讨论：核局部学习目标领域数据集选择 | 第120页 |
| ·讨论 | 第120-123页 |
| ·局部邻接图构造 | 第120-121页 |
| ·核带宽的协调 | 第121页 |
| ·学习风险误差 | 第121-122页 |
| ·算法复杂度 | 第122-123页 |
| ·实验分析 | 第123-131页 |
| ·人造数据实验 | 第123-124页 |
| ·文本数据集实验 | 第124-125页 |
| ·人脸数据集实验 | 第125-126页 |
| ·大规模数据集实验 | 第126-127页 |
| ·参数敏感实验 | 第127-131页 |
| ·本章小结 | 第131-132页 |
| 第九章 结束语 | 第132-134页 |
| 致谢 | 第134-136页 |
| 参考文献 | 第136-142页 |
| 附录 | 第142页 |
| 附录1：攻读博士学位期间撰写的与课题相关的论文列表 | 第142页 |
| 附录2：攻读博士学位期间主持或参加的科研项目列表 | 第142页 |