| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 半监督学习研究背景和现状 | 第10-12页 |
| 1.2.1 三种学习方法 | 第10页 |
| 1.2.2 半监督学习的两种基本假设 | 第10-11页 |
| 1.2.3 半监督学习的发展现状和主要方法 | 第11-12页 |
| 1.3 半监督支持向量机研究现状 | 第12-15页 |
| 1.3.1 半监督支持向量机的发展现状 | 第12-13页 |
| 1.3.2 半监督支持向量机的应用现状 | 第13-14页 |
| 1.3.3 半监督支持向量机存在的问题 | 第14-15页 |
| 1.4 论文的研究内容 | 第15页 |
| 1.5 论文的组织结构 | 第15-17页 |
| 第2章 基本理论 | 第17-25页 |
| 2.1 统计学习理论 | 第17-18页 |
| 2.2 支持向量机 | 第18-20页 |
| 2.2.1 支持向量机原理和模型简介 | 第18-20页 |
| 2.2.2 核函数 | 第20页 |
| 2.3 半监督支持向量机 | 第20-24页 |
| 2.3.1 半监督支持向量机基本原理 | 第20-21页 |
| 2.3.2 半监督支持向量机的主要方法 | 第21-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 FCM预选取样本的半监督SVM图像分类 | 第25-41页 |
| 3.1 引言 | 第25页 |
| 3.2 FCM算法 | 第25-27页 |
| 3.3 拉普拉斯支持向量机(LapSVM)算法 | 第27-29页 |
| 3.3.1 半监督流形学习框架 | 第27页 |
| 3.3.2 LapSVM算法 | 第27-29页 |
| 3.4 FCM预选取样本的半监督SVM图像分类 | 第29-31页 |
| 3.4.1 算法思想 | 第29-31页 |
| 3.4.2 算法实现步骤 | 第31页 |
| 3.5 仿真实验和结果分析 | 第31-39页 |
| 3.5.1 实验环境和参数选取 | 第31-33页 |
| 3.5.2 实验结果及对比分析 | 第33-39页 |
| 3.6 本章小结 | 第39-41页 |
| 第4章 基于Mean Map聚类核的最小二乘支持向量机半监督分类方法 | 第41-53页 |
| 4.1 引言 | 第41页 |
| 4.2 最小二乘支持向量机 | 第41-43页 |
| 4.3 Mean Map聚类核 | 第43-46页 |
| 4.3.1 Mean Map聚类核的构造过程 | 第43-45页 |
| 4.3.2 算法的实现步骤 | 第45-46页 |
| 4.4 仿真实验和结果分析 | 第46-52页 |
| 4.4.1 实验环境和参数选取 | 第46-47页 |
| 4.4.2 实验结果及对比分析 | 第47-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 全文总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-63页 |
| 致谢 | 第63-65页 |
| 攻读学位期间科研成果 | 第65页 |