摘要 | 第3-5页 |
Abstract | 第5-7页 |
第一章 绪论 | 第11-24页 |
1.1 研究背景回顾 | 第11-14页 |
1.1.1 经典机器学习方法介绍 | 第12-14页 |
1.2 新兴应用场景下面临的挑战 | 第14-21页 |
1.2.1 迁移场景下聚类研究现状介绍 | 第16-18页 |
1.2.2 迁移场景下分类研究现状介绍 | 第18-21页 |
1.3 课题研究内容和本文结构 | 第21-24页 |
第二章 基于中心引力优化的同步聚类算法 | 第24-48页 |
2.1 引言 | 第24-25页 |
2.2 基本概念及相关研究工作 | 第25-26页 |
2.2.1 中心引力优化CFO算法 | 第25-26页 |
2.3 重力同步聚类算法(G-Sync) | 第26-33页 |
2.3.1 G-Sync算法相关定义 | 第26-28页 |
2.3.2 G-Sync算法描述 | 第28-30页 |
2.3.3 G-Sync算法收敛性分析 | 第30-33页 |
2.4 大规模数据集重力同步聚类算法(S-G-Sync) | 第33-37页 |
2.4.1 S-G-Sync算法描述 | 第34-37页 |
2.5 实验研究 | 第37-47页 |
2.5.1 实验设置 | 第37页 |
2.5.2 G-Sync实验结果分析 | 第37-44页 |
2.5.3 S-G-Sync实验结果分析 | 第44-47页 |
2.6 本章小结 | 第47-48页 |
第三章 基于近邻传播的迁移聚类算法 | 第48-70页 |
3.1 引言 | 第48-49页 |
3.2 近邻传播聚类算法(AP) | 第49-50页 |
3.2.1 AP算法描述 | 第49-50页 |
3.3 迁移近邻传播聚类算法(TAP) | 第50-60页 |
3.3.1 TAP算法描述 | 第50-53页 |
3.3.2 TAP算法因子图 | 第53-59页 |
3.3.3 TAP算法收敛性分析 | 第59-60页 |
3.4 实验研究 | 第60-68页 |
3.4.1 实验设置 | 第60-61页 |
3.4.2 人工数据集实验分析 | 第61-63页 |
3.4.3 真实数据集实验分析 | 第63-68页 |
3.4.4 参数敏感性分析 | 第68页 |
3.5 本章小结 | 第68-70页 |
第四章 基于隐特征增维的半监督学习算法 | 第70-87页 |
4.1 引言 | 第70-71页 |
4.2 隐特征增维半监督学习算法SSLAHF | 第71-76页 |
4.2.1 特征增维模型 | 第71页 |
4.2.2 增维空间中的隐特征转换模型 | 第71-75页 |
4.2.3 隐特征增维半监督学习模型SSLAHF | 第75-76页 |
4.2.4 SSLAHF算法描述 | 第76页 |
4.3 实验研究 | 第76-86页 |
4.3.1 实验设置 | 第77-78页 |
4.3.2 真实数据实验结果分析 | 第78-83页 |
4.3.3 带有误标的数据实验结果分析 | 第83-86页 |
4.4 本章小结 | 第86-87页 |
第五章 基于误差分布一致规则的选择性迁移分类学习 | 第87-108页 |
5.1 引言 | 第87-89页 |
5.2 基于误差分布的一致性准则(CCR) | 第89-91页 |
5.2.1 CCR理论分析 | 第90-91页 |
5.3 基于误差分布一致准则的选择性迁移算法(CSTL) | 第91-97页 |
5.3.1 基于LS-SVM的选择性迁移学习 | 第92-93页 |
5.3.2 源域数据的快速筛选 | 第93-95页 |
5.3.3 CSTL决策函数 | 第95页 |
5.3.4 CSTL算法描述 | 第95-96页 |
5.3.5 算法时间复杂度分析 | 第96-97页 |
5.4 实验研究 | 第97-107页 |
5.4.1 实验设置 | 第97页 |
5.4.2 模拟数据集实验 | 第97-101页 |
5.4.3 图片数据集实验分析 | 第101-105页 |
5.4.4 文本数据集实验分析 | 第105-107页 |
5.5 本章小结 | 第107-108页 |
第六章 结束语 | 第108-111页 |
致谢 | 第111-112页 |
参考文献 | 第112-122页 |
附录 | 第122-123页 |
附录 1: 攻读博士学位期间撰写的相关论文、专利列表 | 第122-123页 |
附录 2: 攻读博士学位期间参加的科研项目列表 | 第123页 |