| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 致谢 | 第7-10页 |
| 插图清单 | 第10-11页 |
| 表格清单 | 第11-12页 |
| 第一章 绪论 | 第12-15页 |
| ·引言 | 第12-13页 |
| ·本文的主要研究内容 | 第13-14页 |
| ·本文组织结构 | 第14页 |
| ·本章小结 | 第14-15页 |
| 第二章 迁移学习研究概述 | 第15-22页 |
| ·引言 | 第15-16页 |
| ·迁移学习的相关概念 | 第16-17页 |
| ·迁移学习的主要研究问题 | 第17页 |
| ·迁移学习的分类 | 第17-19页 |
| ·迁移学习的研究现状与应用 | 第19-20页 |
| ·本章小结 | 第20-22页 |
| 第三章 基于最大熵模型的加权归纳迁移学习算法研究 | 第22-35页 |
| ·引言 | 第22-23页 |
| ·最大熵模型的介绍 | 第23-25页 |
| ·最大熵模型的相关概念 | 第23-24页 |
| ·最大熵模型的求解算法 | 第24-25页 |
| ·最大熵模型的特点 | 第25页 |
| ·基于最大熵模型的加权归纳迁移学习算法(WTLME) | 第25-28页 |
| ·参数传递 | 第26页 |
| ·实例权重调整 | 第26-27页 |
| ·算法描述与时间性能分析 | 第27-28页 |
| ·实验结果与分析 | 第28-34页 |
| ·实验数据集 | 第28-30页 |
| ·实验性能对比 | 第30-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 基于最大熵模型的集成直推迁移学习算法研究 | 第35-42页 |
| ·引言 | 第35-36页 |
| ·基于集成分类器的直推迁移学习算法(SFEC) | 第36-39页 |
| ·公共特征选择 | 第37页 |
| ·集成决策 | 第37-38页 |
| ·算法描述与时间性能分析 | 第38-39页 |
| ·实验结果与分析 | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 第五章 基于最大熵模型的迁移学习原型系统 | 第42-51页 |
| ·系统介绍 | 第42-44页 |
| ·系统内部构架 | 第42-43页 |
| ·主要模块 | 第43-44页 |
| ·安装使用 | 第44-50页 |
| ·运行环境与安装 | 第44-45页 |
| ·使用示例 | 第45-50页 |
| ·其他说明 | 第50页 |
| ·本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| ·本文总结 | 第51页 |
| ·未来展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 研究生期间科研与论文情况 | 第57-58页 |