| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 本文的研究内容 | 第14-16页 |
| 1.5 本文的组织结构 | 第16-18页 |
| 第二章 相关概念和理论 | 第18-34页 |
| 2.1 特征选择涉及的数学基础知识 | 第18-19页 |
| 2.2 特征选择的定义和基本框架 | 第19-22页 |
| 2.3 特征选择算法分类 | 第22-25页 |
| 2.3.1 有无标签信息 | 第23-24页 |
| 2.3.2 与后续学习算法的结合方式 | 第24-25页 |
| 2.4 几种常用的特征选择方法 | 第25-27页 |
| 2.4.1 Fisher得分法 | 第25页 |
| 2.4.2 拉普拉斯得分法 | 第25-26页 |
| 2.4.3 基于最大相关性最小冗余性的特征选择算法 | 第26页 |
| 2.4.4 ReliefF法 | 第26-27页 |
| 2.5 基于稀疏表示的特征选择算法中常用稀疏性惩罚 | 第27页 |
| 2.6 多视角学习 | 第27-30页 |
| 2.7 基于流形正则化的半监督学习 | 第30-32页 |
| 2.8 本章小结 | 第32-34页 |
| 第三章 一种基于l_(2,1)范数和l_(G_1)范数的半监督特征选择算法 | 第34-46页 |
| 3.1 引言 | 第34-37页 |
| 3.2 问题分析与建模 | 第37-39页 |
| 3.3 目标函数求解 | 第39-41页 |
| 3.4 相关实验和分析 | 第41-45页 |
| 3.4.1 实验数据集描述 | 第41-42页 |
| 3.4.2 对比算法 | 第42页 |
| 3.4.3 实验设置 | 第42-43页 |
| 3.4.4 公开数据集实验结果与分析 | 第43-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 一种快速的无监督特征选择算法 | 第46-56页 |
| 4.1 引言 | 第46页 |
| 4.2 锚节点构图 | 第46-49页 |
| 4.3 问题分析与建模 | 第49-50页 |
| 4.4 目标函数求解 | 第50-51页 |
| 4.5 相关实验和分析 | 第51-55页 |
| 4.5.1 实验数据集描述 | 第51-52页 |
| 4.5.2 对比算法描述 | 第52页 |
| 4.5.3 实验设置 | 第52页 |
| 4.5.4 评估标准 | 第52-53页 |
| 4.5.5 实验结果及其分析 | 第53-55页 |
| 4.6 本章小结 | 第55-56页 |
| 总结与展望 | 第56-58页 |
| 工作总结 | 第56页 |
| 未来展望 | 第56-58页 |
| 参考文献 | 第58-66页 |
| 攻读硕士学位期间取得的科研成果 | 第66-68页 |
| 致谢 | 第68页 |
