| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第14-21页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.3 本文研究工作 | 第18-19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 2 基础理论 | 第21-32页 |
| 2.1 半监督学习 | 第21-24页 |
| 2.2 孪生支持向量机 | 第24-27页 |
| 2.3 拉普拉斯孪生支持向量机 | 第27-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 半监督孪生支持向量机原始模型 | 第32-38页 |
| 3.1 原始模型推导 | 第32-35页 |
| 3.2 原始模型的求解 | 第35-37页 |
| 3.3 原始模型分析 | 第37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 基于全局保持的拉普拉斯半监督孪生支持向量机 | 第38-50页 |
| 4.1 线性全局保持拉普拉斯孪生支持向量机 | 第38-41页 |
| 4.2 非线性全局保持拉普拉斯孪生支持向量机 | 第41-43页 |
| 4.3 实验和结果分析 | 第43-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 基于Bagged聚类核的半监督孪生支持向量机 | 第50-57页 |
| 5.1 半监督核 | 第50-52页 |
| 5.2 基于Bagged聚类核的半监督孪生支持向量机 | 第52-54页 |
| 5.3 实验和结果分析 | 第54-56页 |
| 5.4 本章小结 | 第56-57页 |
| 6 结论与展望 | 第57-60页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 作者简历 | 第66-68页 |
| 学位论文数据集 | 第68页 |