| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 机器学习发展概述 | 第11-12页 |
| 1.2.2 增量学习现状 | 第12页 |
| 1.2.3 半监督支持向量机学习现状 | 第12-13页 |
| 1.3 本文工作及内容安排 | 第13-15页 |
| 第2章 半监督学习和局部敏感哈希理论 | 第15-26页 |
| 2.1 半监督机器学习 | 第15-18页 |
| 2.1.1 机器学习模型 | 第15-16页 |
| 2.1.2 机器学习相关方法 | 第16-17页 |
| 2.1.3 半监督机器学习 | 第17-18页 |
| 2.2 支持向量机 | 第18-22页 |
| 2.2.1 SVM基本理论 | 第19-20页 |
| 2.2.2 核函数 | 第20-22页 |
| 2.3 局部敏感哈希 | 第22-25页 |
| 2.3.1 局部敏感哈希基本思想 | 第22页 |
| 2.3.2 度量距离和局部敏感哈希函数族 | 第22-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于LSH的SVM增量学习算法 | 第26-37页 |
| 3.1 基于局部敏感哈希的SVM增量学习算法 | 第26-33页 |
| 3.1.1 基于SVM的增量学习基本思想 | 第26-27页 |
| 3.1.2 两种常见的基于SVM增量学习的分析 | 第27-29页 |
| 3.1.3 主成分分析的局部敏感哈希的构建 | 第29-31页 |
| 3.1.4 基于PCA-LSH的SVM增量学习算法 | 第31-33页 |
| 3.2 实验仿真 | 第33-35页 |
| 3.2.1 实验设计 | 第33-34页 |
| 3.2.2 实验结果及分析 | 第34-35页 |
| 3.3 本章总结 | 第35-37页 |
| 第4章 基于LSH的半监督SVM增量学习算法 | 第37-48页 |
| 4.1 半监督式增量SVM学习算法 | 第37-43页 |
| 4.1.1 半监督SVM原理及优化方法分析 | 第37-39页 |
| 4.1.2 直推式支持向量机的优缺点分析 | 第39-40页 |
| 4.1.3 基于LSH的直推式支持向量机 | 第40-41页 |
| 4.1.4 基于LSH-TSVM的增量式学习算法 | 第41-43页 |
| 4.2 实验仿真 | 第43-46页 |
| 4.2.1 实验设计 | 第43-44页 |
| 4.2.2 实验分类精度结果及分析 | 第44-45页 |
| 4.2.3 实验分类训练速度结果及分析 | 第45-46页 |
| 4.3 本章总结 | 第46-48页 |
| 第5章 学习算法在磁钢片缺陷检测中的应用 | 第48-54页 |
| 5.1 实验对象 | 第48-49页 |
| 5.2 实验步骤 | 第49-50页 |
| 5.3 实验结果及分析 | 第50-53页 |
| 5.4 本章总结 | 第53-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 6.1 结论 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间参加的科研项目和成果 | 第63页 |