| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-7页 |
| 第一章 绪论 | 第7-11页 |
| ·研究背景 | 第7-9页 |
| ·研究现状 | 第9页 |
| ·本文的内容与结构 | 第9-11页 |
| 第二章 多标签学习 | 第11-30页 |
| ·多标签学习的描述 | 第11-12页 |
| ·多标签学习的发展历程 | 第12-30页 |
| ·基于问题自身的转化法 | 第12-14页 |
| ·算法改进法 | 第14-30页 |
| 第三章 基于粒计算的多标签算法 | 第30-43页 |
| ·基于k近邻多标签算法(ML-kNN) | 第30-33页 |
| ·粒计算 | 第33-39页 |
| ·粒计算简介 | 第33-35页 |
| ·粒计算的三种主要的模型 | 第35-39页 |
| ·基于粒计算的k近邻多标签算法(ML-GkNN) | 第39-43页 |
| 第四章 实例分析 | 第43-50页 |
| ·评价指标 | 第43-45页 |
| ·两个数据库的实验结果与比较 | 第45-49页 |
| ·Yeast数据集分类效果 | 第45-48页 |
| ·Scene数据集分类效果 | 第48-49页 |
| ·小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| ·本篇文章的总结 | 第50页 |
| ·对进一步研究的展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 攻读学位期间的科研学术情况 | 第57页 |