第一个书签之前
摘 要
ABSTRACT
绪论
研究背景
大数据时代
有监督学习
无监督学习
面临挑战
有标签数据下增量学习面临的挑战
无标签数据下增量学习面临的挑战
本文工作
基于随机森林的有监督增量学习方法
基于自动编码器的无监督增量学习方法
论文结构
相关工作
有监督学习的增量学习方法
Off-line learning
On-line learning
Incremental learning
无监督学习的增量学习方法
聚类算法
自动编码器
基于CNN的增量学习方法
基于随机森林的有监督增量学习方法
引言
整体架构
袋外误差估计
RRN方法
RLP方法
计算效率分析
实验与分析
数据预处理
计算效率与准确性分析
稳定性试验
基于自动编码器的无监督增量学习方法
引言
整体框架
用于聚类拟合的KL散度函数
学习聚类中心
变量初始化
用于知识提取的交叉熵函数
实验与分析
数据集
评价标准
实现
实验结果
总结与展望
本文工作及主要创新点
未来工作展望
致谢
参考文献
作者在学期间取得的学术成果
国防科学技术大学;