| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第11-35页 |
| 1.1 研究背景回顾 | 第11-26页 |
| 1.1.1 经典识别方法介绍 | 第12-18页 |
| 1.1.2 经典智能模型介绍 | 第18-26页 |
| 1.2 新时代应用场景多样化之挑战 | 第26-32页 |
| 1.2.1 多视角场景及研究现状介绍 | 第26-29页 |
| 1.2.2 迁移场景及研究现状介绍 | 第29-32页 |
| 1.3 课题研究内容和本文结构 | 第32-35页 |
| 第二章 熵加权多视角协同划分模糊聚类算法 | 第35-59页 |
| 2.1 引言 | 第35-36页 |
| 2.2 与多视角聚类密切相关的研究工作 | 第36-39页 |
| 2.2.1 模糊多视角聚类Co-FKM算法 | 第37-39页 |
| 2.3 熵加权多视角协同划分模糊聚类算法(EW-Co P-MVFCM) | 第39-44页 |
| 2.3.1 基于Havrda-Charvat熵的异视角空间划分逼近准则 | 第40页 |
| 2.3.2 基于香农熵的多视角自适应加权策略 | 第40-41页 |
| 2.3.3 EW-Co P-MVFCM算法 | 第41-44页 |
| 2.3.4 EW-Co P-MVFCM算法描述 | 第44页 |
| 2.4 EW-Co P-MVFCM全局收敛性分析 | 第44-48页 |
| 2.4.1 EW-Co P-MVFCM全局收敛性证明 | 第45-48页 |
| 2.5 实验研究 | 第48-56页 |
| 2.5.1 实验设置 | 第48-49页 |
| 2.5.2 人工合成数据集实验 | 第49-52页 |
| 2.5.3 UCI数据集实验分析 | 第52-56页 |
| 2.6 本章小结 | 第56-59页 |
| 第三章 加权视角的协同模糊聚类算法 | 第59-85页 |
| 3.1 引言 | 第59页 |
| 3.2 基础算法: Co-FCM | 第59-63页 |
| 3.2.1 Co-FCM算法描述 | 第62-63页 |
| 3.3 改进算法: WV-Co-FCM | 第63-65页 |
| 3.3.1 WV-Co-FCM算法描述 | 第64-65页 |
| 3.4 实验研究 | 第65-83页 |
| 3.4.1 实验设置 | 第65-68页 |
| 3.4.2 模拟数据集实验 | 第68-70页 |
| 3.4.3 UCI数据集实验 | 第70-76页 |
| 3.4.4 Brodatz纹理图像分割应用 | 第76-83页 |
| 3.5 本章小结 | 第83-85页 |
| 第四章 具备协同学习能力的双视角模糊分类器 | 第85-103页 |
| 4.1 引言 | 第85-86页 |
| 4.2 双视角TSK模糊分类器Two V-TSK-FC | 第86-92页 |
| 4.2.1 多视角分类问题 | 第86-87页 |
| 4.2.2 Two V-TSK-FC方法模型 | 第87页 |
| 4.2.3 Two V-TSK-FC参数学习规则 | 第87-91页 |
| 4.2.4 Two V-TSK-FC算法描述 | 第91-92页 |
| 4.3 实验研究 | 第92-101页 |
| 4.3.1 实验设置 | 第92-93页 |
| 4.3.2 模拟数据实验 | 第93-96页 |
| 4.3.3 UCI真实多视角数据实验 | 第96-99页 |
| 4.3.4 参数敏感性分析 | 第99-101页 |
| 4.4 本章小结 | 第101-103页 |
| 第五章 基于知识利用的迁移学习一般化改进模糊划分聚类方法 | 第103-117页 |
| 5.1 引言 | 第103-104页 |
| 5.2 迁移GIFP-FCM算法(T-GIFP-FCM) | 第104-108页 |
| 5.2.1 迁移GIFP-FCM算法目标函数及参数学习 | 第105-107页 |
| 5.2.2 迁移GIFP-FCM算法描述 | 第107-108页 |
| 5.3 实验研究 | 第108-115页 |
| 5.3.1 实验设置 | 第108-109页 |
| 5.3.2 模拟数据集实验 | 第109-112页 |
| 5.3.3 文本数据集实验分析 | 第112-113页 |
| 5.3.4 Brodatz图像纹理实验分析 | 第113-115页 |
| 5.4 本章小结 | 第115-117页 |
| 第六章 TSK迁移学习模糊系统 | 第117-135页 |
| 6.1 引言 | 第117-118页 |
| 6.2 L2型TSK迁移模糊系统（L2-TSK-TFS） | 第118-124页 |
| 6.2.1 融合知识迁移的目标函数构造 | 第119-120页 |
| 6.2.2 L2-TSK-TFS参数学习规则 | 第120-123页 |
| 6.2.3 L2-TSK-TFS算法描述 | 第123页 |
| 6.2.4 L2-TSK-TFS回归建模复杂度分析 | 第123-124页 |
| 6.3 实验研究 | 第124-133页 |
| 6.3.1 实验设置 | 第124-125页 |
| 6.3.2 本文方法与经典L2-TSK-FS性能比较 | 第125-130页 |
| 6.3.3 本文方法与相关迁移回归算法性能比较 | 第130-133页 |
| 6.4 本章小结 | 第133-135页 |
| 第七章 增强知识迁移的TSK迁移学习模糊系统 | 第135-143页 |
| 7.1 引言 | 第135页 |
| 7.2 增强知识迁移的TSK迁移学习模糊系统 | 第135-139页 |
| 7.2.1 IKT-TSK-TFS方法工作框架 | 第136-137页 |
| 7.2.2 具备迁移学习能力的模糊系统前件参数学习 | 第137页 |
| 7.2.3 具备增强迁移学习能力的模糊系统后件参数学习 | 第137-139页 |
| 7.2.4 IKT-TSK-TFS算法描述 | 第139页 |
| 7.3 实验研究 | 第139-142页 |
| 7.3.1 模拟数据实验分析 | 第140-142页 |
| 7.3.2 真实数据实验分析 | 第142页 |
| 7.4 本章小结 | 第142-143页 |
| 第八章 结束语 | 第143-147页 |
| 致谢 | 第147-148页 |
| 参考文献 | 第148-157页 |
| 附录 | 第157-159页 |
| 附录 1: 攻读博士学位期间撰写的相关论文、专利及软件著作权列表 | 第157-158页 |
| 附录 2: 攻读博士学位期间参加的科研项目列表 | 第158-159页 |
| 附录 3: 攻读博士学位期间获得的奖励 | 第159页 |
