| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 引言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 情感分析研究现状 | 第10-14页 |
| 1.2.1 基于表情的情感分析 | 第10-11页 |
| 1.2.2 基于语音的情感分析 | 第11-13页 |
| 1.2.3 基于生理信号的情感分析 | 第13-14页 |
| 1.3 本文工作及结构安排 | 第14-16页 |
| 第2章 相关概念及理论 | 第16-27页 |
| 2.1 半监督学习 | 第16-18页 |
| 2.1.1 半监督学习的必要性 | 第16-17页 |
| 2.1.2 半监督学习的框架 | 第17-18页 |
| 2.2 流形学习 | 第18-22页 |
| 2.2.1 等距映射 | 第19页 |
| 2.2.2 局部线性嵌入 | 第19-20页 |
| 2.2.3 拉普拉斯特征映射 | 第20-21页 |
| 2.2.4 Hessian特征映射 | 第21-22页 |
| 2.3 主动学习 | 第22-24页 |
| 2.3.1 学习场景 | 第22-23页 |
| 2.3.2 查询策略框架 | 第23-24页 |
| 2.4 强化学习 | 第24-26页 |
| 2.4.1 马尔可夫决策过程 | 第24-25页 |
| 2.4.2 策略和价值 | 第25页 |
| 2.4.3 蒙特卡洛算法 | 第25-26页 |
| 2.4.4 时差学习算法 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于Hessian主动学习的生理情感分析 | 第27-37页 |
| 3.1 引言 | 第27-28页 |
| 3.2 相关工作 | 第28-29页 |
| 3.3 基于Hessian流形正则化的主动学习 | 第29-33页 |
| 3.3.1 Hessian流形正则化 | 第30-31页 |
| 3.3.2 Hessian SVM优化求解 | 第31-32页 |
| 3.3.3 复杂度分析 | 第32-33页 |
| 3.4 实验结果与分析 | 第33-36页 |
| 3.4.1 特征提取 | 第33-34页 |
| 3.4.2 实验数据和设置 | 第34-36页 |
| 3.4.3 实验结果分析 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于在线Laplacian正则化的生理情感分析 | 第37-46页 |
| 4.1 引言 | 第37-39页 |
| 4.2 相关工作 | 第39-41页 |
| 4.2.1 Laplacian流形正则化 | 第39-40页 |
| 4.2.2 Laplacian支持向量机回归 | 第40-41页 |
| 4.3 在线LapSVR算法 | 第41-43页 |
| 4.4 实验及结果分析 | 第43-45页 |
| 4.4.1 实验数据和设置 | 第43-45页 |
| 4.4.2 实验结果和分析 | 第45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 基于强化在线学习的生理情感信号分析 | 第46-58页 |
| 5.1 引言 | 第46-48页 |
| 5.2 相关工作 | 第48-49页 |
| 5.2.1 在线学习 | 第48页 |
| 5.2.2 强化学习 | 第48-49页 |
| 5.3 方法概览 | 第49-50页 |
| 5.4 实验分析 | 第50-57页 |
| 5.4.1 数据集介绍 | 第50-51页 |
| 5.4.2 实验设置和结果 | 第51-57页 |
| 5.5 本章小结 | 第57-58页 |
| 总结与展望 | 第58-60页 |
| 参考文献 | 第60-69页 |
| 攻读硕士学位期间取得的学术成果 | 第69-70页 |
| 致谢 | 第70页 |