| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 创新点摘要 | 第6-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外相关研究 | 第9-13页 |
| 1.2.1 多示例多标记学习现状 | 第9-11页 |
| 1.2.2 抽油机工况诊断技术发展现状 | 第11-13页 |
| 1.3 论文的研究内容及结构安排 | 第13-15页 |
| 第二章 多示例多标记半监督学习相关研究 | 第15-26页 |
| 2.1 多示例半监督学习研究 | 第15-17页 |
| 2.1.1 多示例学习 | 第15-17页 |
| 2.1.2 半监督学习 | 第17页 |
| 2.2 多标记学习研究 | 第17-21页 |
| 2.2.1 多标记学习概述 | 第17-18页 |
| 2.2.2 标记相关性研究 | 第18页 |
| 2.2.3 多标记学习策略 | 第18-21页 |
| 2.3 多示例多标记学习研究 | 第21-22页 |
| 2.4 评价指标介绍 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于半监督聚类的多示例算法 | 第26-45页 |
| 3.1 半监督聚类算法 | 第26-28页 |
| 3.1.1 常用的聚类算法 | 第26-27页 |
| 3.1.2 半监督聚类 | 第27-28页 |
| 3.2 基于Huffman树的半监督聚类算法 | 第28-31页 |
| 3.2.1 Huffman Seeded K-means算法 | 第28-29页 |
| 3.2.2 仿真实验对比分析 | 第29-31页 |
| 3.3 基于半监督的多示例算法 | 第31-38页 |
| 3.3.1 基于半监督聚类的多示例学习 | 第31-34页 |
| 3.3.2 基于Huffman树的半监督多示例算法 | 第34-37页 |
| 3.3.3 仿真实验对比分析 | 第37-38页 |
| 3.4 在抽油机工况诊断中的应用 | 第38-44页 |
| 3.4.1 数据提取 | 第38-41页 |
| 3.4.2 数据预处理 | 第41-42页 |
| 3.4.3 诊断分析 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于RBF神经元网络的多示例多标记半监督模型及算法 | 第45-59页 |
| 4.1 多示例多标记学习 | 第45-47页 |
| 4.1.1 MIMLBOOST算法 | 第45-46页 |
| 4.1.2 MIMLSVM算法 | 第46-47页 |
| 4.2 基于径向基神经元网络的多示例多标记学习 | 第47-49页 |
| 4.2.1 ML-RBF算法描述 | 第47-48页 |
| 4.2.2 MIML-RBF算法 | 第48-49页 |
| 4.3 基于径向基神经元网络的多示例多标记半监督学习 | 第49-52页 |
| 4.3.1 BW指标定义 | 第49-51页 |
| 4.3.2 半监督MIML-RBF学习 | 第51-52页 |
| 4.4 仿真实验对比分析 | 第52-54页 |
| 4.5 在抽油机多工况判别中的应用 | 第54-58页 |
| 4.5.1 数据提取 | 第54-56页 |
| 4.5.2 诊断分析 | 第56-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第五章 抽油机工况诊断系统设计与实现 | 第59-65页 |
| 5.1 系统设计 | 第59-61页 |
| 5.1.1 体系结构设计 | 第59-60页 |
| 5.1.2 C | 第60-61页 |
| 5.2 系统实现 | 第61-64页 |
| 5.3 本章小节 | 第64-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 发表文章目录 | 第70-71页 |
| 致谢 | 第71-72页 |
