特征选择及半监督分类方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-16页 |
| ·研究背景 | 第10-11页 |
| ·研究目的及意义 | 第11-12页 |
| ·特征选择与半监督分类存在的问题 | 第12-13页 |
| ·本文的研究工作及成果 | 第13-15页 |
| ·论文结构 | 第15-16页 |
| 2 相关研究进展 | 第16-35页 |
| ·相关重要概念 | 第16-19页 |
| ·特征选择研究进展 | 第19-27页 |
| ·半监督分类研究进展 | 第27-34页 |
| ·本章小结 | 第34-35页 |
| 3 基于子集类别区分能力的特征选择 | 第35-48页 |
| ·单特征评价及选择 | 第35-36页 |
| ·基于子集类别区分能力的特征选择方法FSCRF | 第36-37页 |
| ·算法流程 | 第37-39页 |
| ·时间复杂度分析 | 第39页 |
| ·实验及结果分析 | 第39-47页 |
| ·本章小结 | 第47-48页 |
| 4 协同训练半监督分类 | 第48-59页 |
| ·协同训练 | 第48-50页 |
| ·新交叉训练半监督分类方法NC-T | 第50-52页 |
| ·算法流程 | 第52页 |
| ·时间复杂度分析 | 第52页 |
| ·实验及结果分析 | 第52-58页 |
| ·本章小结 | 第58-59页 |
| 5 多分类器集成半监督分类 | 第59-74页 |
| ·多分类器集成学习 | 第59-61页 |
| ·集成半监督分类方法SSMAB | 第61-64页 |
| ·算法流程 | 第64-65页 |
| ·时间复杂度分析 | 第65-66页 |
| ·实验及结果分析 | 第66-73页 |
| ·本章小结 | 第73-74页 |
| 6 非公度的半监督近邻分类 | 第74-91页 |
| ·基于非公度度量的机器学习 | 第74-76页 |
| ·非公度的半监督近邻分类方法MSNN | 第76-81页 |
| ·算法流程 | 第81-83页 |
| ·时间复杂度分析 | 第83页 |
| ·实验及结果分析 | 第83-90页 |
| ·本章小结 | 第90-91页 |
| 7 总结与展望 | 第91-93页 |
| ·主要工作总结 | 第91-92页 |
| ·研究展望 | 第92-93页 |
| 致谢 | 第93-95页 |
| 参考文献 | 第95-114页 |
| 附录1 攻读博士学位期间发表及录用的论文目录 | 第114-115页 |
| 附录2 攻读博士学位期间参加的科研项目 | 第115-116页 |
| 附录3 英文缩写名词 | 第116页 |
