| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 机器学习与迁移学习的关系 | 第10-12页 |
| 1.3 迁移学习的分类 | 第12-14页 |
| 1.3.1“迁移什么”——按领域样本数据是否有标签分类 | 第12-13页 |
| 1.3.2“如何迁移”——按迁移学习的技术分类 | 第13-14页 |
| 1.3.3“迁移多少”——按源领域的知识量及源领域个数分类 | 第14页 |
| 1.4 迁移学习面临的机遇和挑战 | 第14-15页 |
| 1.4.1 迁移学习所面临的机遇 | 第14页 |
| 1.4.2 迁移学习面临的挑战 | 第14-15页 |
| 1.5 本文的组织结构 | 第15-16页 |
| 1.6 本章小结 | 第16-17页 |
| 第二章 具有协同约束的共生迁移学习算法 | 第17-31页 |
| 2.1 引言 | 第17页 |
| 2.2 协同约束的共生迁移学习的概念 | 第17-19页 |
| 2.2.1 相关概念以及问题描述 | 第17-18页 |
| 2.2.2 具有协同约束的共生迁移学习策略 | 第18页 |
| 2.2.3 协同约束共生迁移学习框架 | 第18-19页 |
| 2.3 协同约束的共生迁移学习算法 | 第19-24页 |
| 2.3.1 源领域主导共生迁移迭代优化算法 | 第19-21页 |
| 2.3.2 目标域主导的共生迁移迭代优化 | 第21-23页 |
| 2.3.3 CCSTL算法描述 | 第23-24页 |
| 2.4 实验分析 | 第24-30页 |
| 2.4.1 模拟数据集 | 第24-27页 |
| 2.4.2 真实数据集实验与分析 | 第27-28页 |
| 2.4.3 汾酒数据集实验结果及分析 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 融合异构特征的子空间迁移学习算法 | 第31-43页 |
| 3.1 引言 | 第31页 |
| 3.2 相关概念及问题描述 | 第31-32页 |
| 3.3 融合异构特征的子空间迁移学习机 | 第32-37页 |
| 3.3.1 STL-IHF原理 | 第32-33页 |
| 3.3.2 STL-IHF的优化问题 | 第33-37页 |
| 3.3.3 STL-IHF的算法流程 | 第37页 |
| 3.4 实验分析 | 第37-42页 |
| 3.4.1 模拟数据集 | 第38-40页 |
| 3.4.2 真实数据集实验与分析 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于共同决策方向矢量的多源迁移及其快速学习方法 | 第43-59页 |
| 4.1 引言 | 第43页 |
| 4.2 共同决策矢量迁移策略及学习框架 | 第43-44页 |
| 4.2.1 相关概念及问题描述 | 第43页 |
| 4.2.2 共同决策矢量迁移策略及学习框架 | 第43-44页 |
| 4.3 共同决策矢量迁移算法 | 第44-47页 |
| 4.4 共同决策方向矢量的多源迁移快速学习方法 | 第47-51页 |
| 4.4.1 最小包含球理论 | 第48页 |
| 4.4.2 CDV-CVM算法 | 第48-51页 |
| 4.4.3 CDV-CVM算法复杂度分析 | 第51页 |
| 4.5 实验分析 | 第51-58页 |
| 4.5.1 双月数据集实验分析 | 第51-54页 |
| 4.5.2 真实数据集 | 第54-58页 |
| 4.5.3 CDV-CVM算法实验分析 | 第58页 |
| 4.6 本章小结 | 第58-59页 |
| 第五章 适于渐变概念漂移数据的自适应分类算法 | 第59-71页 |
| 5.1 引言 | 第59页 |
| 5.2 预备知识 | 第59-60页 |
| 5.2.1 渐变概念漂移 | 第59-60页 |
| 5.2.2 嵌入再生核HILBERT空间的分布距离 | 第60页 |
| 5.3 TA-SVM原理及算法 | 第60-61页 |
| 5.3.1 TA-SVM相关背景 | 第60-61页 |
| 5.3.2 TA-SVM算法及其对偶 | 第61页 |
| 5.4. 自适应近邻投影均值差支持向量机 (NMD-SVM) | 第61-65页 |
| 5.4.1 融入数据分布特征的距离度量 | 第62页 |
| 5.4.2 NMD-SVM方法及其对偶 | 第62-64页 |
| 5.4.3 算法描述 | 第64-65页 |
| 5.5 实验分析 | 第65-70页 |
| 5.5.1 模拟数据设置 | 第65-66页 |
| 5.5.2 耦合性能分析 | 第66-68页 |
| 5.5.3 分类性能比较和分析 | 第68-69页 |
| 5.5.4 噪声敏感性分析 | 第69-70页 |
| 5.6 真实数据集实验分析 | 第70页 |
| 5.7 本章小结 | 第70-71页 |
| 第六章 基于ISE的核密度估计和随机置换特征选择方法 | 第71-85页 |
| 6.1 引言 | 第71-72页 |
| 6.2 基于核密度估计的特征选择 | 第72-73页 |
| 6.2.1 核密度估计 | 第72页 |
| 6.2.2 基于随机置换核密度估计的特征排序准则 (THE RANKING CRITERION BASED ON THE KERNEL DENSITY ESTIMATION，RCB-KDE) | 第72-73页 |
| 6.3 基于单一特征随机置换核密度估计FSKDE-RP算法 | 第73-74页 |
| 6.4 基于协同性的多维随机置换核密度估计 | 第74-76页 |
| 6.4.1 协同特征选择的定义 | 第74-75页 |
| 6.4.2 多维随机置换概率密度特征选择算法 (SFSKDE-MRP) | 第75-76页 |
| 6.5 实验分析 | 第76-83页 |
| 6.5.1 模拟数据实验 | 第76-77页 |
| 6.5.2 真实数据集实验 | 第77-81页 |
| 6.5.3 协同特征实验分析 | 第81-83页 |
| 6.6 本章小结 | 第83-85页 |
| 第七章 主要结论与展望 | 第85-89页 |
| 7.1 主要结论 | 第85-87页 |
| 7.2 展望 | 第87-89页 |
| 致谢 | 第89-90页 |
| 参考文献 | 第90-99页 |
| 附录 | 第99-100页 |
| 附录 1：作者在攻读博士学位期间发表的论文列表 | 第99-100页 |
| 附录 2：攻读博士学位期间主持和参与的科研项目列表 | 第100页 |
