| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 图目录 | 第13-15页 |
| 表目录 | 第15-16页 |
| 主要符号表 | 第16-18页 |
| 第一章 绪论 | 第18-30页 |
| ·选题背景及研究意义 | 第18-20页 |
| ·大规模分类的研究进展与发展方向 | 第20-27页 |
| ·大规模有监督分类研究进展 | 第20-23页 |
| ·大规模半监督分类研究进展 | 第23-26页 |
| ·大规模分类的发展方向 | 第26-27页 |
| ·本文的研究内容及组织 | 第27-30页 |
| ·本文的研究内容 | 第27-29页 |
| ·本文的组织 | 第29-30页 |
| 第二章 相关工作 | 第30-47页 |
| ·聚类特征树 | 第30-33页 |
| ·基本概念 | 第30页 |
| ·聚类特征 | 第30-31页 |
| ·聚类特征树 | 第31-32页 |
| ·聚类特征树的建立 | 第32-33页 |
| ·支持向量机 | 第33-39页 |
| ·线性支持向量机 | 第34-36页 |
| ·非线性支持向量机 | 第36页 |
| ·多分类问题 | 第36-37页 |
| ·支持向量机的求解算法 | 第37-39页 |
| ·半监督支持向量机 | 第39-41页 |
| ·基于图的半监督分类算法 | 第41-46页 |
| ·图的构造 | 第41页 |
| ·图的正则化框架 | 第41-42页 |
| ·高斯随机场与调和函数算法 | 第42-43页 |
| ·基于线性邻域的标记传播算法 | 第43-45页 |
| ·原型向量机算法 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第三章 基于带类标聚类特征树和局部学习的大规模支持向量机分类算法 | 第47-70页 |
| ·局部学习思想 | 第47-48页 |
| ·带类标聚类特征树 | 第48-52页 |
| ·带类标的聚类特征 | 第48-49页 |
| ·带类标的聚类特征树 | 第49-50页 |
| ·带类标聚类特征树的建立 | 第50-52页 |
| ·基于带类标聚类特征树和局部学习的大规模支持向量机分类算法 | 第52-61页 |
| ·算法总体流程 | 第53-54页 |
| ·训练 CFL 树过程 | 第54页 |
| ·样本测试过程 | 第54-55页 |
| ·算法描述 | 第55-57页 |
| ·参数影响分析 | 第57-59页 |
| ·算法复杂度分析 | 第59-61页 |
| ·实验结果与分析 | 第61-68页 |
| ·比较的算法及运行环境设置 | 第61-62页 |
| ·实验所用数据集 | 第62-63页 |
| ·中等规模数据集上的结果与分析 | 第63-65页 |
| ·大规模数据集上的结果与分析 | 第65-67页 |
| ·更大规模数据集上的结果与分析 | 第67-68页 |
| ·内存对算法影响分析 | 第68页 |
| ·本章小结 | 第68-70页 |
| 第四章 基于聚类特征树与渐进标注的大规模半监督支持向量机分类算法 | 第70-89页 |
| ·采用聚类特征树层次聚类无标记样本 | 第70页 |
| ·CCCP-S3VM 算法 | 第70-75页 |
| ·基于聚类特征树与渐进标注的大规模半监督支持向量机分类算法 | 第75-83页 |
| ·算法思想 | 第75-79页 |
| ·算法描述 | 第79-82页 |
| ·算法复杂度分析 | 第82-83页 |
| ·实验结果与分析 | 第83-88页 |
| ·比较的算法及运行环境设置 | 第83-84页 |
| ·中小规模数据集的结果与分析 | 第84-85页 |
| ·大规模数据集上的结果与分析 | 第85-87页 |
| ·剪枝情况分析 | 第87-88页 |
| ·本章小结 | 第88-89页 |
| 第五章 基于聚类特征树和局部图转导的大规模半监督分类算法 | 第89-98页 |
| ·采用聚类特征树划分无标记样本 | 第89页 |
| ·局部与全局一致性算法 | 第89-91页 |
| ·基于聚类特征树和局部图转导的大规模半监督分类算法 | 第91-94页 |
| ·局部图构造 | 第91-92页 |
| ·算法描述 | 第92页 |
| ·算法复杂度分析 | 第92-94页 |
| ·实验结果与分析 | 第94-96页 |
| ·比较的算法及运行环境设置 | 第94页 |
| ·中等规模数据集的结果与分析 | 第94-95页 |
| ·大规模数据集的结果与分析 | 第95-96页 |
| ·本章小结 | 第96-98页 |
| 第六章 整合全局结构的局部大规模半监督分类算法 | 第98-109页 |
| ·锚图正则化算法 | 第98-100页 |
| ·整合全局结构的局部大规模半监督分类算法 | 第100-103页 |
| ·算法思想 | 第100-101页 |
| ·算法描述 | 第101-103页 |
| ·局部学习框架 | 第103页 |
| ·算法复杂度分析 | 第103页 |
| ·实验结果与分析 | 第103-108页 |
| ·比较的算法及运行环境设置 | 第103-104页 |
| ·中等规模数据集的结果与分析 | 第104-105页 |
| ·大规模数据集的结果与分析 | 第105-108页 |
| ·本章小结 | 第108-109页 |
| 结论与展望 | 第109-112页 |
| 参考文献 | 第112-119页 |
| 攻读博士学位期间取得的研究成果 | 第119-121页 |
| 致谢 | 第121页 |
