| 致谢 | 第3-4页 |
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 1 绪论 | 第17-29页 |
| 1.1 研究背景与意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-26页 |
| 1.3 本文主要工作 | 第26-27页 |
| 1.4 论文组织结构 | 第27-29页 |
| 2 相关理论 | 第29-49页 |
| 2.1 非负矩阵分解 | 第29-36页 |
| 2.2 极限学习机 | 第36-42页 |
| 2.3 多标签学习 | 第42-48页 |
| 2.4 本章小结 | 第48-49页 |
| 3 分解维度自适应的图正则化非负矩阵分解 | 第49-64页 |
| 3.1 引言 | 第49页 |
| 3.2 分解维度自适应非负矩阵分解 | 第49-59页 |
| 3.3 分解维度自适应图正则化非负矩阵分解 | 第59-63页 |
| 3.4 本章小结 | 第63-64页 |
| 4 基于极限学习机和径向基神经网络的多标签学习模型 | 第64-79页 |
| 4.1 引言 | 第64页 |
| 4.2 基于正则化极限学习机和径向基神经网络的多标签学习模型 | 第64-74页 |
| 4.3 基于拉普拉斯极限学习机和径向基神经网络的多标签学习模型 | 第74-78页 |
| 4.4 本章小结 | 第78-79页 |
| 5 融合非负矩阵分解和极限学习机的多标签学习模型 | 第79-85页 |
| 5.1 引言 | 第79页 |
| 5.2 融合非负矩阵分解和极限学习机的多标签学习模型原理 | 第79-81页 |
| 5.3 实验结果与分析 | 第81-84页 |
| 5.4 本章小结 | 第84-85页 |
| 6 总结与展望 | 第85-87页 |
| 6.1 总结 | 第85-86页 |
| 6.2 展望 | 第86-87页 |
| 参考文献 | 第87-93页 |
| 作者简历 | 第93-95页 |
| 学位论文数据集 | 第95页 |
