| 目录 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第10-15页 |
| ·研究背景和意义 | 第10-11页 |
| ·国内外相关研究文献综述 | 第11-12页 |
| ·论文研究内容 | 第12-13页 |
| ·半监督学习与协同训练风范 | 第12页 |
| ·标准的 Tri-training 算法及改进 | 第12页 |
| ·基于 Tri-training 的分类算法 | 第12-13页 |
| ·论文的创新点 | 第13页 |
| ·本文的组织结构 | 第13-15页 |
| 第二章 半监督学习理论基础 | 第15-26页 |
| ·人工智能与机器学习 | 第15-16页 |
| ·机器学习的发展 | 第16-19页 |
| ·监督学习 | 第17-18页 |
| ·无监督学习 | 第18-19页 |
| ·半监督学习 | 第19页 |
| ·半监督学习算法介绍 | 第19-26页 |
| ·生成式模型 | 第20-21页 |
| ·半监督支持向量机 | 第21-22页 |
| ·基于图的半监督算法 | 第22-23页 |
| ·协同训练风范 | 第23-26页 |
| 第三章 Tri-training 算法研究 | 第26-34页 |
| ·标准 Tri-training 算法 | 第26-29页 |
| ·Tri-training 算法的改进 | 第29-32页 |
| ·基于加权投票规则的集成分类器 | 第30页 |
| ·效用最优未标记样本选择策略 | 第30-31页 |
| ·基于宽松迭代条件的 Tri-training 算法 | 第31页 |
| ·基于自适应数据剪辑的 Tri-training 算法 | 第31页 |
| ·基于遗传算法的无标记数据选择的 Tri-training 算法 | 第31-32页 |
| ·具有噪声过滤功能的 Tri-training 主动学习算法 | 第32页 |
| ·Tri-training 算法的应用领域 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 基于 Tri-training 的半监督神经网络算法 | 第34-44页 |
| ·BP 神经网络 | 第34-36页 |
| ·网络训练函数 | 第36-38页 |
| ·有动量的梯度下降法 | 第36-37页 |
| ·共轭梯度法 | 第37页 |
| ·Levenberg-Marquardt 训练方法 | 第37-38页 |
| ·算法思想及流程 | 第38-40页 |
| ·实验及结果分析 | 第40-42页 |
| ·实验运行环境 | 第40页 |
| ·实验数据 | 第40页 |
| ·实验结果及分析 | 第40-42页 |
| ·本章小结 | 第42-44页 |
| 第五章 基于数据划分的半监督协同训练支持向量机 | 第44-58页 |
| ·分类支持向量机 | 第45-49页 |
| ·线性可分情况下的最优超平面的构建 | 第45-48页 |
| ·线性不可分情况下的最优超平面的构建 | 第48-49页 |
| ·支持向量机核函数 | 第49-50页 |
| ·基于数据划分的多视图半监督支持向量机 | 第50-54页 |
| ·算法描述 | 第51-53页 |
| ·算法流程图 | 第53-54页 |
| ·实验结果及分析 | 第54-57页 |
| ·实验运行环境 | 第54页 |
| ·实验数据 | 第54页 |
| ·实验结果及分析 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| ·工作总结 | 第58-59页 |
| ·工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间公开发表的论文 | 第65-66页 |
| 附表 | 第66-70页 |
