结合主动学习的半监督分类算法优化研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 文献综述 | 第8-15页 |
| ·研究背景及意义 | 第8-9页 |
| ·半监督学习基本概念 | 第9-10页 |
| ·半监督学习研究现状 | 第10-12页 |
| ·半监督学习的存在问题与开放式展望 | 第12-13页 |
| ·本文研究内容及组织 | 第13-15页 |
| 2 半监督分类算法研究 | 第15-27页 |
| ·未标签数据意义 | 第15-16页 |
| ·半监督分类算法模型假设研究 | 第16-18页 |
| ·半监督分类算法假设 | 第16-17页 |
| ·模型假设对分类结果的影响 | 第17-18页 |
| ·构图方法 | 第18-21页 |
| ·构图策略 | 第18-20页 |
| ·度量方法 | 第20-21页 |
| ·标签传递算法 | 第21-24页 |
| ·问题建立 | 第21页 |
| ·算法过程 | 第21-22页 |
| ·收敛性证明 | 第22-24页 |
| ·基于图方法框架 | 第24-27页 |
| ·离散马尔科夫随机场：波尔兹曼机 | 第25页 |
| ·高斯随机场 | 第25页 |
| ·局部与全局一致性 | 第25-27页 |
| 3 主动学习方法 | 第27-32页 |
| ·基本概念 | 第27页 |
| ·文献综述 | 第27-28页 |
| ·主动学习选择准则 | 第28-32页 |
| 4 结合主动学习的半监督分类算法优化 | 第32-40页 |
| ·结合动机 | 第32-33页 |
| ·结合主动学习的半监督分类算法模型分析 | 第33-34页 |
| ·构图优化 | 第34-36页 |
| ·构图策略优化 | 第34-35页 |
| ·构图矩阵优化 | 第35-36页 |
| ·参数学习优化 | 第36-37页 |
| ·已知类比例信息 | 第37-40页 |
| 5 实验 | 第40-50页 |
| ·对比算法 | 第40-44页 |
| ·KNN算法 | 第40-42页 |
| ·SVM算法 | 第42-44页 |
| ·算法实现 | 第44-45页 |
| ·实验过程与结果分析 | 第45-50页 |
| ·实验过程 | 第45-49页 |
| ·结果分析 | 第49-50页 |
| 6 半监督分类算法的应用研究 | 第50-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 附录A AL-LGC算法代码 | 第57-61页 |
| 攻读硕士学位期间发表学术论文情况 | 第61-62页 |
| 致谢 | 第62-63页 |
