| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第17-29页 |
| 1.1 论文研究背景 | 第17-21页 |
| 1.1.1 复杂信息网络对智能计算模型与算法提出的需求 | 第19-20页 |
| 1.1.2 迁移学习对智能计算模型与算法的作用 | 第20-21页 |
| 1.2 研究意义 | 第21-23页 |
| 1.3 论文研究内容与研究方法 | 第23-26页 |
| 1.3.1 研究内容与框架 | 第23-26页 |
| 1.3.2 研究方法 | 第26页 |
| 1.4 论文主要创新点 | 第26-29页 |
| 第二章 国内外相关研究综述 | 第29-57页 |
| 2.1 基于迁移学习的智能计算模型与算法综述 | 第29-39页 |
| 2.1.1 智能计算下的主要迁移学习模型与算法综述 | 第29-32页 |
| 2.1.2 基于神经网络的迁移学习模型与算法综述 | 第32-33页 |
| 2.1.3 基于贝叶斯的迁移学习模型与算法综述 | 第33-37页 |
| 2.1.4 基于遗传算法的迁移学习模型与算法综述 | 第37页 |
| 2.1.5 面向智能计算应用的迁移学习模型与算法综述 | 第37-39页 |
| 2.2 基于复杂网络的智能计算模型与算法综述 | 第39-54页 |
| 2.2.1 智能计算下的复杂网络特性综述 | 第39-45页 |
| 2.2.2 基于复杂网络框架的智能计算模型与算法综述 | 第45-49页 |
| 2.2.3 基于复杂网络方法的智能计算模型与算法综述 | 第49-51页 |
| 2.2.4 面向复杂网络应用的智能计算模型与算法综述 | 第51-54页 |
| 2.3 本章小结 | 第54-57页 |
| 第三章 多源动态信息迁移中的智能计算模型研究 | 第57-91页 |
| 3.1 智能交通多源信息服务多视角自适应学习模型 | 第57-76页 |
| 3.1.1 多源信息服务多视角自适应学习模型的现实需求 | 第58页 |
| 3.1.2 多源信息服务多视角自适应学习模型的模块设计 | 第58-68页 |
| 3.1.3 智能交通多源多视角服务信息自适应学习实验 | 第68-76页 |
| 3.2 朴素贝叶斯实例加权遗传分类模型 | 第76-89页 |
| 3.2.1 朴素贝叶斯实例加权遗传分类模型提出动机 | 第77-78页 |
| 3.2.2 朴素贝叶斯实例加权遗传分类模型理论 | 第78-83页 |
| 3.2.3 朴素贝叶斯实例加权遗传分类学习实验 | 第83-89页 |
| 3.3 本章小结 | 第89-91页 |
| 第四章 无监督迁移学习在智能计算中的算法研究 | 第91-115页 |
| 4.1 基于异构属性空间的无监督迁移学习算法 | 第91-101页 |
| 4.1.1 基于迁移学习的多任务学习算法 | 第91-94页 |
| 4.1.2 无监督迁移学习下的多任务选择机算法 | 第94-98页 |
| 4.1.3 异构属性空间无监督迁移学习算法求解 | 第98-101页 |
| 4.2 复杂交通信息服务网络的多实例图迁移聚类算法 | 第101-114页 |
| 4.2.1 多实例迁移学习中的图聚类问题 | 第101-103页 |
| 4.2.2 多实例迁移学习中的图聚类算法 | 第103-106页 |
| 4.2.3 多实例迁移学习中图聚类的学习更新策略 | 第106-109页 |
| 4.2.4 多实例图迁移聚类算法在复杂交通网络上的实验 | 第109-114页 |
| 4.3 本章小结 | 第114-115页 |
| 第五章 复杂信息网络关键性节点智能评价模型与算法研究 | 第115-129页 |
| 5.1 复杂信息网络关键性节点智能评价模型研究 | 第115-123页 |
| 5.1.1 复杂信息网络关键性节点智能评价指标 | 第116页 |
| 5.1.2 基于网络拓扑结构的关键性节点智能评价模型 | 第116-121页 |
| 5.1.3 基于传播机制的关键性节点智能评价模型 | 第121-122页 |
| 5.1.4 复杂信息网络关键性节点智能评价模型比较分析 | 第122-123页 |
| 5.2 基于全局递归的复杂信息网络关键性节点智能评价算法研究 | 第123-128页 |
| 5.2.1 复杂信息网络关键性节点智能评价算法 | 第124-125页 |
| 5.2.2 基于全局递归的关键性节点智能评价算法 | 第125-127页 |
| 5.2.3 基于全局递归的关键性节点评价算法实验 | 第127-128页 |
| 5.3 本章小结 | 第128-129页 |
| 第六章 数据驱动型多源信息智能计算实证研究 | 第129-141页 |
| 6.1 数据驱动型城市智能交通用户行为5S理论模型 | 第129-132页 |
| 6.1.1 数据驱动型智能交通用户行为智能计算需求 | 第129-130页 |
| 6.1.2 数据驱动型城市交通智能行为计算模型 | 第130-132页 |
| 6.2 基于总体样本思想的数据驱动型多源信息计算实证 | 第132-139页 |
| 6.2.1 数据驱动型多源宏观数据处理 | 第132-136页 |
| 6.2.2 数据驱动型实证聚类结果对比分析 | 第136-139页 |
| 6.3 本章小结 | 第139-141页 |
| 第七章 总结与展望 | 第141-149页 |
| 7.1 总结 | 第141-146页 |
| 7.2 展望 | 第146-149页 |
| 参考文献 | 第149-161页 |
| 作者在攻读博士学位期间发表的论文与研究成果 | 第161-163页 |
| 致谢 | 第163-164页 |
