半监督学习框架下基于图的SVM分类算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 课题的国内外研究现状 | 第9-12页 |
| 1.3 论文的目的和意义 | 第12-13页 |
| 1.4 论文内容安排 | 第13-15页 |
| 第二章 支持向量机算法 | 第15-22页 |
| 2.1 构造最优超平面 | 第15-17页 |
| 2.2 衍生非线性最优超平面 | 第17-19页 |
| 2.3 高维空间下的支持向量机说明 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于图的半监督学习 | 第22-35页 |
| 3.1 基于图的半监督学习概述 | 第22-24页 |
| 3.2 基于图的半监督学习方法 | 第24-28页 |
| 3.3 图的构建 | 第28-31页 |
| 3.4 基于图的半监督分类算法 | 第31-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 基于低秩表示图的半监督SVM分类算法 | 第35-42页 |
| 4.1 算法介绍 | 第35-36页 |
| 4.2 算法构建 | 第36-39页 |
| 4.3 基于低秩表示图的半监督SVM分类算法实验 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 实验与分析 | 第42-48页 |
| 5.1 实验设置 | 第42-43页 |
| 5.2 数据集分类 | 第43-45页 |
| 5.3 分类结果分析 | 第45-46页 |
| 5.4 k值对算法的影响分析 | 第46-47页 |
| 5.5 本章小结 | 第47-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 本文工作总结 | 第48-49页 |
| 6.2 本文研究展望 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 致谢 | 第55-56页 |
| 个人简介 | 第56页 |
