| 中文摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 第1章 引言 | 第8-14页 |
| ·半监督学习研究背景和意义 | 第8-9页 |
| ·论文研究涉及的若干半监督学习问题 | 第9-13页 |
| ·论文的章节安排 | 第13-14页 |
| 第2章 半监督学习研究分析 | 第14-28页 |
| ·半监督学习的聚类假设 | 第14-15页 |
| ·EM算法简单回顾 | 第15-16页 |
| ·基于条件概率密度建模的半监督学习 | 第16-21页 |
| ·基于核展开表述的半监督学习 | 第17页 |
| ·基于Markov随机游走的半监督学习 | 第17-20页 |
| ·基于信息正则化的半监督学习 | 第20-21页 |
| ·几种已有学习算法的半监督学习框架 | 第21-25页 |
| ·基于SVM的半监督学习 | 第21-22页 |
| ·基于核方法的半监督学习 | 第22-24页 |
| ·基于K均值的半监督学习 | 第24-25页 |
| ·半监督学习理论研究的深入与实际应用 | 第25-28页 |
| 第3章 基于有限混合模型的多视图(Multi-View)EM算法 | 第28-42页 |
| ·有限混合模型(Finite mixture models)和EM算法 | 第28-29页 |
| ·基于有限混合模型的Multi-View EM算法 | 第29-35页 |
| ·第一类Multi-View EM算法 | 第29-31页 |
| ·第二类Multi-View EM算法 | 第31-33页 |
| ·半监督情况下的两类Multi-View EM算法 | 第33-35页 |
| ·Multi-View EM算法的具体实现 | 第35-42页 |
| ·基于GMM的两类Multi-View EM算法 | 第36-38页 |
| ·基于Na?ve Bayes分类器的Multi-View EM算法 | 第38-41页 |
| ·Multi-View EM算法的具体实现的一些讨论 | 第41-42页 |
| 第4章 Multi-View EM算法的实验 | 第42-58页 |
| ·合成数据集的实验结果 | 第42-44页 |
| ·标准彩色图像数据的实验结果 | 第44-50页 |
| ·USPS数据集的实验结果 | 第50-53页 |
| ·WebKB数据集的实验结果 | 第53-55页 |
| ·Multi-View EM算法的分析和讨论 | 第55-58页 |
| 第5章 与半监督学习相关的若干研究 | 第58-71页 |
| ·主动学习研究的简单回顾 | 第58-59页 |
| ·基于CEM和SVM的主动学习算法 | 第59-66页 |
| ·算法的简单介绍 | 第59-62页 |
| ·USPS数据集上的实验结果 | 第62-66页 |
| ·基于主动学习的分类器融合算法 | 第66-71页 |
| ·算法的简单介绍 | 第66-68页 |
| ·UCI数据集上的实验结果 | 第68-71页 |
| 第6章 小结 | 第71-73页 |
| 参考文献 | 第73-80页 |
| 致 谢 | 第80页 |
| 声 明 | 第80-81页 |
| 本人简历 | 第81页 |
| 攻读硕士学位期间发表的学术论文 | 第81页 |
