半监督降维和分类算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·机器学习 | 第7-8页 |
| ·半监督学习的研究背景及内容 | 第8-10页 |
| ·国内外对半监督学习研究的进展及现状 | 第10-11页 |
| ·论文的研究内容及安排 | 第11-13页 |
| 第二章 半监督学习理论 | 第13-27页 |
| ·半监督学习的基础知识 | 第13-15页 |
| ·半监督学习的有效性 | 第13-14页 |
| ·半监督学习的两个基本假设 | 第14-15页 |
| ·几种已有分类算法的半监督学习框架 | 第15-18页 |
| ·基于SVM 的半监督学习 | 第15-16页 |
| ·基于核方法的半监督学习 | 第16-17页 |
| ·基于K 均值的半监督学习 | 第17-18页 |
| ·四类半监督学习算法 | 第18-25页 |
| ·基于EM 的半监督学习算法 | 第19-21页 |
| ·增量半监督学习算法 | 第21-22页 |
| ·基于图的半监督学习算法 | 第22-23页 |
| ·直推式支持向量机 | 第23-25页 |
| ·本章小结 | 第25-27页 |
| 第三章 维数约减算法 | 第27-39页 |
| ·无监督维数约减算法 | 第27-30页 |
| ·主成份分析PCA | 第27-28页 |
| ·局部线性嵌入LLE | 第28-30页 |
| ·监督维数约减算法 | 第30-32页 |
| ·线性判别分析LDA | 第30-31页 |
| ·有监督的局部线性嵌入SLLE | 第31-32页 |
| ·半监督维数约减算法 | 第32-35页 |
| ·半监督典型相关分析Semi-CCA | 第32-34页 |
| ·半监督维数约减SSDR | 第34-35页 |
| ·改进的半监督维数约减算法 | 第35-38页 |
| ·ISSDR 算法介绍 | 第35-36页 |
| ·实验分析 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 基于集成学习的半监督学习算法 | 第39-51页 |
| ·集成学习 | 第39-43页 |
| ·集成学习的理论基础 | 第39-40页 |
| ·个体生成方法 | 第40-42页 |
| ·结论生成方法 | 第42-43页 |
| ·线性邻域传播算法LNP | 第43-46页 |
| ·LNP 算法描述 | 第43-45页 |
| ·LNP 算法分析 | 第45-46页 |
| ·集成算法在半监督学习中的应用 | 第46-50页 |
| ·算法描述 | 第46-48页 |
| ·实验分析 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 结束语 | 第51-53页 |
| 致谢 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 在读期间的研究成果 | 第61-62页 |
