声明
摘要
图目录
表目录
主要符号表
1 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 问题及研究意义
1.2 监督学习研究进展
1.2.1 监督学习与无监督学习
1.2.2 半监督学习研究现状
1.3 基于图的半监督学习
1.3.1 聚类假设与流形假设
1.3.2 图的构建
1.3.3 标签传播
1.3.4 典型算法
1.3.5 分类器性能评价
1.4 本文的研究内容
1.5 本文的组织结构
2 非负稀疏图半监督学习算法研究
2.1 引言
2.2 稀疏表示与线性图嵌入
2.2.1 稀疏表示方法
2.2.2 局部线性图嵌入
2.2.3 线性邻域标签传播
2.3 基于非负稀疏概率图的标签传播算法
2.3.1 非负稀疏概率图构建
2.3.2 非负稀疏概率图上的标签传播
2.3.3 算法描述与复杂度分析
2.4 鲁棒非负稀疏概率图标签传播算法
2.4.1 相关熵及其性质
2.4.2 鲁棒非负稀疏概率图构建
2.4.3 鲁棒非负稀疏概率图上的标签传播
2.4.4 算法分析
2.5 实验
2.5.1 数据集描述
2.5.2 算法设置
2.5.3 实验结果分析
2.5.4 图的稀疏性分析与对比算法的参数选择
2.6 本章小结
3 基于高斯-拉普拉斯正则化的鲁棒半监督学习研究
3.1 引言
3.2 高斯拉普拉斯正则化与最大相关熵条件
3.2.1 GLR半监督学习框架
3.2.2 最大相关熵原理
3.3 基于GLR-MCC的半监督学习算法
3.3.1 GLR-MCC的问题描述
3.3.2 GLR-MCC的求解方法
3.3.3 算法描述与分析
3.4 实验与结果分析
3.4.1 数据集描述与算法设置
3.4.2 UCI数据集
3.4.3 ORL和FRGC数据集
3.5 本章小结
4 基于图的鲁棒大间隔判别分析算法研究
4.1 引言
4.2 NDA与补丁排列
4.2.1 LDA和NDA
4.2.2 补丁排列框架
4.3 大间隔判别分析与离群值检测
4.3.1 问题描述
4.3.2 正切逼近
4.3.3 正切排列
4.3.4 基于图的离群点检测
4.4 实验
4.4.1 数据集描述
4.4.2 判别分析实验
4.4.3 正则化判别分析
4.4.4 参数选择
4.5 本章小结
5 算法在生物统计识别中的应用研究
5.1 引言
5.2 基于基因表达数据的肿瘤分类
5.2.1 基因芯片与基因表达谱
5.2.2 实验数据集及描述
5.2.3 算法流程与实验设置
5.2.4 实验结果分析
5.3 蛋白质二级结构预测
5.3.1 二级结构预测方法
5.3.2 蛋白质序列特征提取与编码
5.3.3 预测算法流程
5.3.4 数据集及实验设置
5.3.5 实验结果分析
5.4 本章小结
6 结论与展望
6.1 结论
6.2 创新点
6.3 展望
参考文献
攻读博士学位期间科研项目及科研成果
致谢
作者简介
大连理工大学;