| 中文摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·课题研究的背景和研究意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·课题研究的主要工作和研究成果 | 第12页 |
| ·本文的组织结构 | 第12-14页 |
| 第二章 半监督学习与分类器组合相关知识介绍 | 第14-26页 |
| ·半监督学习简介 | 第14-20页 |
| ·半监督学习问题表述 | 第14页 |
| ·半监督学习基本假设 | 第14-15页 |
| ·半监督学习几种框架 | 第15-20页 |
| ·分类器组合介绍 | 第20-25页 |
| ·引言 | 第20-21页 |
| ·组合分类器方法的有效性 | 第21-22页 |
| ·成员分类器的产生形式 | 第22-24页 |
| ·成员分类器的组合方式 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于密度敏感距离的协同训练算法 | 第26-35页 |
| ·引言 | 第26页 |
| ·并行式集成学习的半监督形式 | 第26-28页 |
| ·融入聚类信息的半监督学习形式 | 第28-31页 |
| ·密度敏感协同训练算法描述 | 第31-32页 |
| ·实验结果与分析 | 第32-34页 |
| ·实验数据 | 第32-33页 |
| ·实验结果与分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 基于密度敏感距离的半监督 AdaBoost 算法 | 第35-42页 |
| ·引言 | 第35-36页 |
| ·串行式集成学习的半监督形式 | 第36页 |
| ·融入聚类信息的 AdaBoost 半监督学习方法 | 第36-38页 |
| ·算法框架描述 | 第38-39页 |
| ·实验结果与分析 | 第39-41页 |
| ·实验数据 | 第39页 |
| ·实验结果与分析 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第五章 半监督学习算法在纹理图像上的应用 | 第42-48页 |
| ·引言 | 第42页 |
| ·纹理特征的提取 | 第42-45页 |
| ·实验结果与分析 | 第45-47页 |
| ·实验数据 | 第45-46页 |
| ·实验结果与分析 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 总结 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第55页 |