| 摘要 | 第1-8页 |
| ABSTRACT | 第8-13页 |
| 第一章 研究背景和目标 | 第13-18页 |
| ·域适应算法的研究 | 第13-14页 |
| ·基于用户迁移的个性化机器学习应用 | 第14-15页 |
| ·论文的组织结构 | 第15-18页 |
| 第二章 脑电信号分类系统简介 | 第18-26页 |
| ·脑电信号分类系统的意义 | 第18-19页 |
| ·脑电信号分类系统的实现 | 第19页 |
| ·脑电图信号分类原理简介 | 第19-24页 |
| ·脑电图的起源 | 第19-20页 |
| ·脑电图的产生机理 | 第20页 |
| ·脑电图的检测方法 | 第20-22页 |
| ·脑电图的频带分布 | 第22页 |
| ·脑电图信号如何分类 | 第22-24页 |
| ·基于用户迁移的脑电分类系统 | 第24-25页 |
| ·本章结论 | 第25-26页 |
| 第三章 可迁移的判别式数据降维方法 | 第26-42页 |
| ·传统的判别式特征降维方法 | 第26-27页 |
| ·可迁移的判别式特征降维方法 | 第27-31页 |
| ·域融合的类间类内离散矩阵 | 第29页 |
| ·域间离散矩阵 | 第29-31页 |
| ·监督式的域间离散矩阵 | 第30页 |
| ·非监督式的域间离散矩阵 | 第30页 |
| ·半监督式的域间离散矩阵 | 第30-31页 |
| ·可迁移的判别式特征降维模型 | 第31页 |
| ·行为分析 | 第31页 |
| ·核化TDDR | 第31-33页 |
| ·实验部分 | 第33-34页 |
| ·模拟数据上的实验 | 第33-34页 |
| ·实验设置 | 第33-34页 |
| ·实验结果 | 第34页 |
| ·真实数据上的实验：基于域适应的用户迁移和时段迁移 | 第34-37页 |
| ·实验设置 | 第35页 |
| ·实验结果 | 第35-37页 |
| ·本章结论 | 第37-42页 |
| ·零训练的目标域 | 第40页 |
| ·零测试的目标域 | 第40-41页 |
| ·在线域适应学习 | 第41页 |
| ·多个源域的情况 | 第41-42页 |
| 第四章 基于集成学习的动态域适应框架 | 第42-57页 |
| ·基于稳健适应双视角和反向近邻策略的动态域适应 | 第42-50页 |
| ·构建稳健适应双视角基本模型集 | 第42-45页 |
| ·稳健视角的选择 | 第44-45页 |
| ·适应视角的选择 | 第45页 |
| ·基于反向近邻策略的动态加权策略 | 第45-48页 |
| ·实验部分 | 第48-50页 |
| ·实验设置 | 第48页 |
| ·实验结果 | 第48-50页 |
| ·基于模型友好分类器的动态域适应 | 第50-55页 |
| ·构建基本模型集 | 第50-52页 |
| ·样本维度 | 第51页 |
| ·特征维度 | 第51页 |
| ·模型维度 | 第51-52页 |
| ·建立模型友好分类器 | 第52页 |
| ·动态加权集成 | 第52页 |
| ·实验 | 第52-55页 |
| ·实验设置 | 第52-54页 |
| ·实验结果 | 第54-55页 |
| ·本章结论 | 第55-57页 |
| 第五章 总结和展望 | 第57-59页 |
| ·本文方法总结 | 第57-58页 |
| ·可迁移的判别式特征降维方法 | 第57页 |
| ·基于稳健适应双视角和反向近邻策略的动态域适应 | 第57-58页 |
| ·基于模型友好分类器的动态域适应 | 第58页 |
| ·后续研究方向 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录A 作者的其他工作：半监督的特征提取工作 | 第63-69页 |
| A.1 半监督式的时域光滑特征提取 | 第63-64页 |
| A.2 半监督式的重要性加权特征提取 | 第64-66页 |
| A.3 实验部分 | 第66-69页 |
| 在学期间的研究成果、所获奖项 | 第69-71页 |
| 致谢 | 第71-72页 |