| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 引言 | 第13-14页 |
| 1.2 研究背景 | 第14-16页 |
| 1.3 网站无障碍检测过程中面临的主要挑战 | 第16-18页 |
| 1.3.1 如何从复杂的网页数据中提取网页结构信息 | 第16-17页 |
| 1.3.2 如何从网页数据中排除冗余和噪声数据的影响 | 第17页 |
| 1.3.3 如何实现高效的大规模网站无障碍检测评估 | 第17-18页 |
| 1.4 本文的主要研究成果 | 第18-19页 |
| 1.5 本文的组织结构 | 第19-21页 |
| 第2章 相关工作综述 | 第21-35页 |
| 2.1 特征选择相关文献综述 | 第21-31页 |
| 2.1.1 特征选择的分类 | 第21-23页 |
| 2.1.2 基于统计方法的特征选择方法 | 第23-24页 |
| 2.1.3 基于相似性的特征选择方法 | 第24-26页 |
| 2.1.4 基于信息论的特征选择方法 | 第26-29页 |
| 2.1.5 基于稀疏学习的特征选择方法 | 第29-31页 |
| 2.2 网站无障碍检测相关文献综述 | 第31-35页 |
| 2.2.1 网页无障碍检测评价方法 | 第31-32页 |
| 2.2.2 网站无障碍检测方法 | 第32-35页 |
| 第3章 面向网页结构提取的组稀疏特征选择算法 | 第35-65页 |
| 3.1 相关背景 | 第35-36页 |
| 3.2 具体算法实现及分析 | 第36-44页 |
| 3.2.1 相关定义 | 第36-37页 |
| 3.2.2 基于局部学习的聚类分析 | 第37-38页 |
| 3.2.3 利用稀疏回归挑选特征 | 第38-42页 |
| 3.2.4 收敛性分析 | 第42-43页 |
| 3.2.5 算法时间复杂度分析 | 第43-44页 |
| 3.3 实验 | 第44-63页 |
| 3.3.1 实验结果的评价指标介绍 | 第44-45页 |
| 3.3.2 实验数据集介绍 | 第45-46页 |
| 3.3.3 对比算法介绍 | 第46-47页 |
| 3.3.4 在标准数据集上的实验结果 | 第47-61页 |
| 3.3.5 在无障碍检测数据集上的实验结果 | 第61-63页 |
| 3.4 本章小结 | 第63-65页 |
| 第4章 面向噪声排除的局部学习交互组稀疏回归特征选择算法 | 第65-93页 |
| 4.1 相关背景 | 第65页 |
| 4.2 具体算法实现及分析 | 第65-71页 |
| 4.2.1 相关定义 | 第65-66页 |
| 4.2.2 利用泛化组稀疏回归来评估特征权重 | 第66-67页 |
| 4.2.3 联合求解局部学习聚类和组稀疏回归 | 第67-69页 |
| 4.2.4 收敛性分析 | 第69-71页 |
| 4.2.5 算法时间复杂度分析 | 第71页 |
| 4.3 实验 | 第71-92页 |
| 4.3.1 实验环境及结果评价指标介绍 | 第71-73页 |
| 4.3.2 实验数据集介绍 | 第73-74页 |
| 4.3.3 对比算法介绍 | 第74页 |
| 4.3.4 在标准数据集上的实验结果 | 第74-88页 |
| 4.3.5 在无障碍检测数据集上的实验结果 | 第88-92页 |
| 4.4 本章小结 | 第92-93页 |
| 第5章 面向网站无障碍检测的半监督组稀疏回归算法 | 第93-107页 |
| 5.1 相关背景 | 第93页 |
| 5.2 具体算法实现及分析 | 第93-98页 |
| 5.2.1 相关定义 | 第93-94页 |
| 5.2.2 半监督组稀疏回归算法实现 | 第94-97页 |
| 5.2.3 收敛性分析 | 第97-98页 |
| 5.2.4 算法时间复杂度分析 | 第98页 |
| 5.3 实验 | 第98-105页 |
| 5.3.1 实验数据集及结果评价指标介绍 | 第98-100页 |
| 5.3.2 对比算法介绍 | 第100页 |
| 5.3.3 在无障碍检测数据集上的实验结果 | 第100-105页 |
| 5.4 本章小结 | 第105-107页 |
| 第6章 总结与展望 | 第107-111页 |
| 6.1 本文工作总结 | 第107-108页 |
| 6.2 未来工作展望 | 第108-111页 |
| 参考文献 | 第111-123页 |
| 攻读博士学位期间主要的研究成果 | 第123-125页 |
| 致谢 | 第125页 |
