面向张量数据的迁移学习研究与应用
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 迁移学习的研究进展 | 第16-17页 |
| 1.2.2 张量学习的研究进展 | 第17-18页 |
| 1.3 本文主要研究的内容 | 第18-19页 |
| 1.4 论文结构 | 第19-20页 |
| 第二章 迁移学习相关理论 | 第20-27页 |
| 2.1 迁移学习概述 | 第20-22页 |
| 2.2 迁移学习的分类 | 第22-24页 |
| 2.3 迁移学习的技术方法 | 第24-26页 |
| 2.4 迁移学习的应用 | 第26页 |
| 本章小结 | 第26-27页 |
| 第三章 张量理论与相关算法 | 第27-36页 |
| 3.1 张量学习相关知识 | 第27-30页 |
| 3.2 张量学习的应用 | 第30页 |
| 3.3 支持向量机 | 第30-33页 |
| 3.3.1 二分类支持向量机 | 第30-33页 |
| 3.3.2 支持向量机的优缺点分析 | 第33页 |
| 3.4 支持张量机 | 第33-35页 |
| 本章小结 | 第35-36页 |
| 第四章 支持张量机的迁移学习 | 第36-48页 |
| 4.1 算法提出背景 | 第36页 |
| 4.2 算法的基本思想 | 第36-37页 |
| 4.3 二阶支持张量机的迁移学习 | 第37-43页 |
| 4.3.1 学习模型构建 | 第37-39页 |
| 4.3.2 算法可行性分析 | 第39-40页 |
| 4.3.3 算法收敛条件 | 第40-41页 |
| 4.3.4 算法基本流程 | 第41-42页 |
| 4.3.5 算法求解步骤 | 第42-43页 |
| 4.4 高阶支持张量机的迁移学习 | 第43-47页 |
| 4.4.1 学习模型构建 | 第43-44页 |
| 4.4.2 算法收敛条件 | 第44-45页 |
| 4.4.3 算法基本流程 | 第45页 |
| 4.4.4 算法求解步骤 | 第45-47页 |
| 本章小结 | 第47-48页 |
| 第五章 实验及评价 | 第48-61页 |
| 5.1 数据集介绍及数据预处理 | 第48-51页 |
| 5.1.1 数据集介绍 | 第48-50页 |
| 5.1.2 实验数据的预处理 | 第50-51页 |
| 5.2 实验方法以及运行环境 | 第51-53页 |
| 5.2.1 实验设置 | 第51-53页 |
| 5.2.2 参数选择 | 第53页 |
| 5.2.3 实验环境 | 第53页 |
| 5.3 实验结果分析 | 第53-59页 |
| 5.3.1 同类数据源数据库性能分析 | 第53-56页 |
| 5.3.2 异类数据源数据库性能分析 | 第56-58页 |
| 5.3.3 算法效率分析 | 第58-59页 |
| 本章小结 | 第59-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间发表论文 | 第67-69页 |
| 致谢 | 第69页 |
