| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 本论文研究内容 | 第11-12页 |
| 1.3 论文章节设置 | 第12-13页 |
| 第2章 核学习概要 | 第13-20页 |
| 2.1 核学习发展过程 | 第13-15页 |
| 2.2 常用核函数及其参数选取 | 第15-16页 |
| 2.3 多核学习 | 第16-19页 |
| 2.3.1 核学习的分类 | 第16-17页 |
| 2.3.2 多核学习方法 | 第17页 |
| 2.3.3 多核学习的一般模型 | 第17-19页 |
| 2.4 本章小节 | 第19-20页 |
| 第3章 多标签分类与特征降维算法 | 第20-30页 |
| 3.1 多标签分类的主要算法 | 第20-23页 |
| 3.1.1 多标签分类算法中问题转换法 | 第20-21页 |
| 3.1.2 多标签分类中的算法改造方法 | 第21-22页 |
| 3.1.3 多标签k近邻分类算法 | 第22-23页 |
| 3.2 多标签分类中的特征降维算法 | 第23-27页 |
| 3.2.1 特征降维概述 | 第23-24页 |
| 3.2.2 常用的多标签线性降维算法 | 第24-27页 |
| 3.3 多标签分类的评价准则与多标签数据集 | 第27-29页 |
| 3.3.1 多标签评价准则 | 第27-28页 |
| 3.3.2 多标签数据集 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第4章 多核主成分分析 | 第30-47页 |
| 4.1 主成分分析模型及其核扩展 | 第30-33页 |
| 4.1.1 主成分分析 | 第30-32页 |
| 4.1.2 核主成分分析 | 第32-33页 |
| 4.2 基于多核的主成分分析 | 第33-36页 |
| 4.2.1 平均核主成分分析模型 | 第33-35页 |
| 4.2.2 多核主成分分析模型 | 第35-36页 |
| 4.3 Frank-Wolfe算法求解二次规划模型 | 第36-39页 |
| 4.3.1 Frank-Wolfe算法介绍 | 第36-37页 |
| 4.3.2 使用Frank-Wolfe算法求解二次规划模型 | 第37-39页 |
| 4.4 多核主成分分析模型的相关实验结果与分析 | 第39-46页 |
| 4.4.1 多核主成分分析算法实验设置 | 第39页 |
| 4.4.2 多核主成分分析模型中正则化因子的选择 | 第39-40页 |
| 4.4.3 多核主成分分析模型降维比例选择 | 第40-42页 |
| 4.4.4 多核主成分分析降维算法性能比较与分析 | 第42-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 基于多核学习的多标签判别分析 | 第47-59页 |
| 5.1 线性判别分析 | 第47-49页 |
| 5.1.1 单标签线性判别分析 | 第47-48页 |
| 5.1.2 单标签核判别分析 | 第48页 |
| 5.1.3 多标签线性判别分析 | 第48-49页 |
| 5.2 多标签线性判别分析模型中离散度定义 | 第49-51页 |
| 5.3 多标签线性判别分析模型的核扩展 | 第51-52页 |
| 5.4 多核线性判别分析模型及优化 | 第52-54页 |
| 5.5 多核线性判别分析模型相关实验结果与分析 | 第54-58页 |
| 5.5.1 多核线性判别分析实验设置 | 第54-55页 |
| 5.5.2 多核线性判别分析降维算法性能比较与分析 | 第55-58页 |
| 5.6 本章小结 | 第58-59页 |
| 第6章 总结 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66页 |
