| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·极光分类的研究背景和意义 | 第7-8页 |
| ·极光分类的研究进展和现状 | 第8-9页 |
| ·模式分类概述 | 第9-12页 |
| ·有监督学习方法 | 第9-10页 |
| ·无监督聚类方法 | 第10-11页 |
| ·半监督学习方法 | 第11-12页 |
| ·论文的主要内容及工作安排 | 第12-15页 |
| 第二章 半监督学习方法概述 | 第15-33页 |
| ·引言 | 第15-16页 |
| ·基于生成模型的半监督学习方法 | 第16-22页 |
| ·生成模型 | 第16-17页 |
| ·半监督EM 算法 | 第17-21页 |
| ·避免奇异矩阵的方法 | 第21-22页 |
| ·Self-Training 学习方法 | 第22-23页 |
| ·Self-Training 方法 | 第22-23页 |
| ·Self-Training 的优缺点 | 第23页 |
| ·基于图模型的半监督学习方法 | 第23-32页 |
| ·基于图模型的的半监督学习方法概述 | 第23-24页 |
| ·图模型的构造方法和K 近邻分类器 | 第24-25页 |
| ·Local and Global Consistency 方法 | 第25-30页 |
| ·卡方距离及模型参数的选择 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 极光数据和图像特征提取 | 第33-41页 |
| ·引言 | 第33页 |
| ·极光数据及图像预处理 | 第33-36页 |
| ·极光数据选取 | 第33-34页 |
| ·数据预处理方法 | 第34-36页 |
| ·纹理特征提取方法 | 第36-41页 |
| ·局部二值模式算子 | 第37-39页 |
| ·极光LBP 特征提取方法 | 第39-41页 |
| 第四章 基于半监督学习的极光图像分类 | 第41-47页 |
| ·引言 | 第41页 |
| ·EM 实验结果与分析 | 第41-43页 |
| ·Self-Training 实验结果与分析 | 第43-44页 |
| ·Local and Global Consistency 实验结果与分析 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| ·总结 | 第47-48页 |
| ·展望 | 第48-49页 |
| 致谢 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 作者在读期间的科研工作及研究成果 | 第55-56页 |