半监督学习中协同训练与多视图方法的比较及改进
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 1 绪论 | 第9-11页 |
| ·研究的背景和意义 | 第9-11页 |
| ·本文研究的主要工作 | 第11页 |
| ·本文的组织结构 | 第11页 |
| 2 半监督学习 | 第11-31页 |
| ·人工智能与机器学习 | 第11-14页 |
| ·半监督学习的发展 | 第14-17页 |
| ·监督学习 | 第14-15页 |
| ·无监督学习 | 第15-16页 |
| ·半监督学习 | 第16-17页 |
| ·半监督学习方法概述 | 第17-22页 |
| ·基于支持向量机的半监督学习 | 第18-19页 |
| ·基于核函数的半监督学习 | 第19-21页 |
| ·基于K均值的半监督学习 | 第21-22页 |
| ·几个相关的基础理论介绍 | 第22-30页 |
| ·贝叶斯理论 | 第22-28页 |
| ·期望最大化(EM)算法 | 第28-30页 |
| ·有限混合模型框架 | 第30页 |
| ·小结 | 第30-31页 |
| 3 协同训练方法 | 第31-44页 |
| ·协同训练的基本理论 | 第31-36页 |
| ·协同训练的方法分析 | 第36-42页 |
| ·协同训练的PAC定义 | 第36-41页 |
| ·协同训练的两个角度 | 第41-42页 |
| ·协同训练方法的应用 | 第42-44页 |
| ·自然语言处理 | 第42-43页 |
| ·基于内容的图像检索 | 第43-44页 |
| ·小结 | 第44页 |
| 4 多视图方法 | 第44-51页 |
| ·传统多视图EM算法设计 | 第44-47页 |
| ·多视图EM算法的改进设计 | 第47-49页 |
| ·多视图算法的实现 | 第49-51页 |
| ·小结 | 第51页 |
| 5 烟草数据分类分析 | 第51-65页 |
| ·应用背景分析 | 第51-54页 |
| ·烟草行业的数据分析现状 | 第51-52页 |
| ·数据的来源 | 第52-54页 |
| ·烟草原料数据分析的算法设计 | 第54-62页 |
| ·分类器设计要求 | 第54页 |
| ·协同训练算法设计 | 第54-56页 |
| ·朴素贝叶斯分类器多视图EM算法 | 第56-59页 |
| ·高斯混合模型的多视图EM算法 | 第59-62页 |
| ·实验结果与分析 | 第62-65页 |
| ·协同训练方法的比较实验 | 第62-63页 |
| ·多视图方法的比较实验 | 第63-65页 |
| ·小结 | 第65页 |
| 6 总结与展望 | 第65-67页 |
| ·本文总结 | 第65-66页 |
| ·下一步工作 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 个人简历 | 第72页 |
| 发表的学术论文 | 第72页 |
