| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 序言 | 第10-11页 |
| 1.2 研究背景与意义 | 第11-15页 |
| 1.3 本文研究内容与创新点 | 第15-18页 |
| 第二章 迁移学习方法综述 | 第18-26页 |
| 2.1 问题描述 | 第18-19页 |
| 2.2 迁移学习分类 | 第19-21页 |
| 2.3 同构迁移学习简介 | 第21-24页 |
| 2.3.1 基于实例的迁移学习方法 | 第21-22页 |
| 2.3.2 基于特征的迁移学习方法 | 第22-23页 |
| 2.3.3 基于参数的迁移学习方法 | 第23页 |
| 2.3.4 基于结构关系的迁移学习方法 | 第23-24页 |
| 2.4 异构迁移学习简介 | 第24-25页 |
| 2.5 迁移学习相关理论研究 | 第25-26页 |
| 第三章 基于特征联合概率分布和实例的迁移学习算法 | 第26-43页 |
| 3.1 引言 | 第26-27页 |
| 3.2 问题定义和符号说明 | 第27页 |
| 3.3 相关技术简介 | 第27-29页 |
| 3.3.1 主成分分析 | 第27-29页 |
| 3.3.2 最大均值差异 | 第29页 |
| 3.4 问题建模 | 第29-33页 |
| 3.4.1 跨域共享子空间学习 | 第29-30页 |
| 3.4.2 联合匹配数据边缘概率分布和条件概率分布 | 第30-32页 |
| 3.4.3 实例正则化 | 第32-33页 |
| 3.5 目标函数公式的优化 | 第33-34页 |
| 3.6 算法描述 | 第34-35页 |
| 3.7 实验及结果分析 | 第35-41页 |
| 3.7.1 数据集与评价指标 | 第35-36页 |
| 3.7.2 实验设置 | 第36-37页 |
| 3.7.3 结果分析 | 第37-38页 |
| 3.7.4 参数分析 | 第38-41页 |
| 3.8 本章小结 | 第41-43页 |
| 第四章 基于流形学习的一种直推式迁移学习方法 | 第43-60页 |
| 4.1 引言 | 第43-45页 |
| 4.2 问题建模 | 第45-49页 |
| 4.2.1 特征映射 | 第45-46页 |
| 4.2.2 流形学习 | 第46-47页 |
| 4.2.3 加权的联合概率分布 | 第47-49页 |
| 4.3 目标函数公式的优化 | 第49-50页 |
| 4.4 算法复杂度 | 第50页 |
| 4.5 实验与结果分析 | 第50-58页 |
| 4.5.1 数据集与评价指标 | 第50-51页 |
| 4.5.2 实验对比算法 | 第51-52页 |
| 4.5.3 实验结果分析 | 第52-54页 |
| 4.5.4 加入流形学习的影响 | 第54-56页 |
| 4.5.5 算法参数分析 | 第56-58页 |
| 4.6 本章小结 | 第58-60页 |
| 第五章 总结与展望 | 第60-63页 |
| 5.1 总结 | 第60-61页 |
| 5.2 未来展望 | 第61-63页 |
| 参考文献 | 第63-70页 |
| 附录 | 第70-72页 |
| 附录A 图索引 | 第70页 |
| 附录B 表索引 | 第70-72页 |
| 致谢 | 第72-74页 |
| 攻读硕士学位期间发表的论文 | 第74页 |