| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 机器学习概述 | 第8-11页 |
| 1.1.1 监督学习 | 第9-10页 |
| 1.1.2 无监督学习 | 第10页 |
| 1.1.3 半监督学习 | 第10-11页 |
| 1.2 研究目的和意义 | 第11-12页 |
| 1.3 国内外的研究现状 | 第12-13页 |
| 1.4 论文安排 | 第13-14页 |
| 第二章 半监督学习概述 | 第14-23页 |
| 2.1 为什么未标记数据能改善学习 | 第14-15页 |
| 2.2 直推学习、主动学习和半监督学习 | 第15页 |
| 2.2.1 直推学习和半监督学习 | 第15页 |
| 2.2.2 主动学习和半监督学习 | 第15页 |
| 2.3 半监督学习的基本假设 | 第15-16页 |
| 2.4 半监督学习算法分类 | 第16-22页 |
| 2.4.1 自训练学习 | 第17页 |
| 2.4.2 生成式模型 | 第17-18页 |
| 2.4.3 多视图学习 | 第18-20页 |
| 2.4.4 半监督SVM | 第20-21页 |
| 2.4.5 基于图的半监督学习 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于划分策略的半监督最小最大模块化支持向量机 | 第23-45页 |
| 3.1 最小最大模块化支持向量机 | 第23-30页 |
| 3.1.1 任务划分 | 第24-25页 |
| 3.1.2 训练SVM分类器与测试 | 第25-27页 |
| 3.1.3 模块化集成 | 第27-30页 |
| 3.2 半监督最小最大模块化支持向量机 | 第30-37页 |
| 3.2.1 加入未标记样本 | 第31-32页 |
| 3.2.2 隐藏特征生成 | 第32-35页 |
| 3.2.3 训练SVM分类器以及测试 | 第35-37页 |
| 3.3 实验 | 第37-44页 |
| 3.3.1 实验说明 | 第37-40页 |
| 3.3.2 实验结果分析 | 第40-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 基于抽取策略的半监督最小最大模块化支持向量机 | 第45-55页 |
| 4.1 二分K-means算法 | 第46-47页 |
| 4.1.1 K-means算法 | 第46页 |
| 4.1.2 二分K-means算法 | 第46-47页 |
| 4.2 实例层面关联矩阵 | 第47-49页 |
| 4.2.1 距离度量 | 第48页 |
| 4.2.2 相似度度量 | 第48-49页 |
| 4.3 未标记样本抽取 | 第49-50页 |
| 4.4 实验 | 第50-54页 |
| 4.4.1 实验说明 | 第50-52页 |
| 4.4.2 实验结果分析 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 本文工作 | 第55-56页 |
| 5.2 未来工作 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第61-62页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第62-63页 |
| 致谢 | 第63页 |