| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-18页 |
| ·课题背景及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-16页 |
| ·主动学习研究现状 | 第12-15页 |
| ·样本选择研究现状 | 第15-16页 |
| ·论文的研究内容和组织结构 | 第16-18页 |
| 第2章 主动学习与样本选择基本原理 | 第18-31页 |
| ·SVM 学习模型 | 第18-22页 |
| ·线性可分情况 | 第18-20页 |
| ·线性不可分情况 | 第20-21页 |
| ·主动学习的SVM | 第21-22页 |
| ·主动学习基本原理 | 第22-28页 |
| ·主动学习基本概念 | 第22-23页 |
| ·主动学习不确定度缩减算法 | 第23-26页 |
| ·主动学习未来泛化错误率缩减算法 | 第26页 |
| ·主动学习版本空间缩减算法 | 第26-27页 |
| ·其它主动学习算法 | 第27-28页 |
| ·样本选择基本原理 | 第28-29页 |
| ·本章小结 | 第29-31页 |
| 第3章 基于样本不确定性和代表性相结合的可控主动学习 | 第31-42页 |
| ·引言 | 第31-32页 |
| ·系统框图 | 第32-33页 |
| ·样本KNN 分布不确定性置信度模型 | 第33-35页 |
| ·样本先验分布代表性置信度模型 | 第35-36页 |
| ·样本不确定性和代表性相结合的可控主动学习 | 第36-37页 |
| ·实验结果 | 第37-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 基于不同样本属性综合的鲁棒偏倚赖主动学习 | 第42-54页 |
| ·引言 | 第42-43页 |
| ·基于不同样本属性综合的鲁棒偏倚赖主动学习 | 第43-48页 |
| ·系统组成 | 第43-45页 |
| ·初始分类器模型构建 | 第45页 |
| ·渐变的样本代表性置信度模型 | 第45-46页 |
| ·基于信息熵的样本不确定性置信度模型 | 第46-47页 |
| ·鲁棒偏倚赖主动学习 | 第47-48页 |
| ·实验结果 | 第48-53页 |
| ·本章小结 | 第53-54页 |
| 第5章 基于改进加权压缩近邻与最近边界规则SVM 样本约减选择 | 第54-64页 |
| ·引言 | 第54-55页 |
| ·基于改进加权压缩近邻与最近边界规则SVM 样本约减选择 | 第55-59页 |
| ·系统组成 | 第55-56页 |
| ·基于改进加权压缩近邻的样本选择 | 第56-58页 |
| ·基于随机小样本池最近边界规则的样本选择 | 第58-59页 |
| ·实验结果 | 第59-62页 |
| ·本章小结 | 第62-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 作者简介 | 第74页 |
