首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--自动推理、机器学习论文

基于实例的迁移学习技术研究及应用

摘要第4-5页
Abstract第5-6页
1 绪论第9-15页
    1.1 研究背景与意义第9-10页
    1.2 国内外研究现状及趋势第10-12页
    1.3 论文的研究内容第12-13页
    1.4 论文的章节结构第13-15页
2 相关技术介绍第15-28页
    2.1 迁移学习概述第15-20页
        2.1.1 迁移学习形式化概念第15页
        2.1.2 基于Boosting的迁移学习算法第15-17页
        2.1.3 基于特征的迁移学习第17-18页
        2.1.4 多源迁移学习第18-19页
        2.1.5 迁移学习的应用第19-20页
        2.1.6 负迁移第20页
    2.2 异常站点检测与真值预测第20-27页
        2.2.1 异常检测(iForest)第21-22页
        2.2.2 回归模型第22-27页
        2.2.3 回归模型的度量指标第27页
    2.3 本章总结第27-28页
3 VFKMM-TrAdaBoost算法第28-40页
    3.1 TrAdaBoost算法缺点分析第28-29页
    3.2 基于Very Fast KMM的TrAdaBoost权重初始化第29-32页
    3.3 基于二分类的概率输出的TrAdaBoost权重初始化第32-33页
    3.4 基于权重分位数和最低阀值的样本排除策略第33-35页
    3.5 实验结果与分析第35-39页
    3.6 本章总结第39-40页
4 加权多源的VFKMM-TrAdaBoost回归算法第40-48页
    4.1 算法原理第40-44页
    4.2 实验结果与分析第44-47页
    4.3 本章总结第47-48页
5 异常站点检测与真值预测模型第48-61页
    5.1 问题分析第48页
    5.2 模型分析第48-55页
        5.2.1 数据清洗第49页
        5.2.2 特征提取第49-52页
        5.2.3 基于特征选择的iForest异常站点检测第52-53页
        5.2.4 异常站点真值预测第53-55页
    5.3 实验结果与分析第55-60页
        5.3.1 实验数据第55-56页
        5.3.2 模型评估第56-60页
    5.4 本章总结第60-61页
6 总结与展望第61-63页
    6.1 论文工作总结第61-62页
    6.2 展望第62-63页
参考文献第63-66页
致谢第66-67页

论文共67页,点击 下载论文
上一篇:素数方幂的Korselt集合
下一篇:基于核心竞争力的四川民办高校内部治理研究