| 中文摘要 | 第4-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 自训练方法研究现状 | 第11-13页 |
| 1.3 本研究的创新点 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 半监督学习及自训练方法简介 | 第16-21页 |
| 2.1 半监督学习 | 第16-18页 |
| 2.1.1 半监督学习依赖的假说 | 第16页 |
| 2.1.2 半监督学习的分类 | 第16-18页 |
| 2.2 自训练方法 | 第18-20页 |
| 2.2.1 自训练方法理论 | 第18-19页 |
| 2.2.2 朴素贝叶斯 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 3 结合主动学习与置信度投票的集成自训练方法 | 第21-29页 |
| 3.1 引言 | 第21-22页 |
| 3.2 置信度策略 | 第22页 |
| 3.3 加权KNN | 第22-23页 |
| 3.4 基于投票熵和相对熵的QBC方法 | 第23页 |
| 3.5 算法描述 | 第23-24页 |
| 3.6 实验分析 | 第24-28页 |
| 3.6.1 实验设置 | 第24-25页 |
| 3.6.2 实验描述 | 第25-28页 |
| 3.7 本章小结 | 第28-29页 |
| 4 基于近邻密度和半监督KNN的集成自训练方法 | 第29-39页 |
| 4.1 引言 | 第29页 |
| 4.2 提出算法 | 第29-30页 |
| 4.3 半监督最近邻算法 | 第30-31页 |
| 4.4 基于近邻密度选取初始化样本 | 第31页 |
| 4.5 算法流程 | 第31-33页 |
| 4.6 实验分析 | 第33-37页 |
| 4.6.1 实验设置 | 第33-34页 |
| 4.6.2 实验描述 | 第34-37页 |
| 4.7 本章小结 | 第37-39页 |
| 5 结合半监督聚类和数据剪辑的自训练方法 | 第39-48页 |
| 5.1 引言 | 第39-40页 |
| 5.2 半监督KNN数据剪辑技术 | 第40页 |
| 5.3 基于熵正则和马氏距离的半监督模糊C均值聚类 | 第40-42页 |
| 5.4 算法描述 | 第42-43页 |
| 5.5 实验分析 | 第43-46页 |
| 5.5.1 实验设置 | 第43-44页 |
| 5.5.2 实验描述 | 第44-46页 |
| 5.6 本章小结 | 第46-48页 |
| 6 总结与展望 | 第48-50页 |
| 6.1 总结 | 第48页 |
| 6.2 展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 附录A：作者攻读硕士学位期间发表论文及科研情况 | 第54-55页 |
| 致谢 | 第55-56页 |