声明
摘要
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 多标记数据分类算法研究现状
1.2.2 集成学习算法研究现状
1.2.3 弱标记数据分类算法研究现状
1.3 本文的主要研究目的、内容及章节安排
1.3.1 本文的研究目的
1.3.2 本文的主要内容
1.3.3 本文的章节安排
第二章 集成学习算法和多标记数据分类方法
2.1 多标记数据和弱标记数据描述
2.2 多标记数据分类算法
2.2.1 ML-KNN算法
2.2.2 改进的C4.5算法
2.2.3 Rank-svm算法
2.2.4 基于神经网络的BP-MLL
2.2.5 经典的两种问题转化方法BM和CM
2.3 弱标记数据分类算法
2.3.1 针对弱标记的直推式多标记分类方法TML-WL
2.3.2 主动学习和半监督学习
2.4 集成学习算法
2.4.1 Bagging算法
2.4.2 Boosting算法
2.4.3 AdaBoost算法
2.4.4 AdaBoost-MH算法
2.4.5 其他的集成学习算法
2.5 性能评价指标
2.6 交叉验证
2.7 本章小结
第三章 基于MLKNN的集成学习算法
3.1 Adaboost算法
3.2 ML-KNN算法
3.3 基于ML-KNN算法的Adaboost算法
3.4 实验及结果分析
3.4.1 数据集和实验环境
3.4.2 性能评价指标
3.4.3 实验设计
3.4.4 实验结果及分析
3.5 本章小结
第四章 针对弱标记的多标记集成学习分类方法
4.1 基于相似性成对约束投影的多标记集成学习算法
4.1.1 问题和算法的引入
4.1.2 基于相似性成对约束投影
4.1.3 权重更新策略
4.1.4 多标记数据分类中基分类器的集成
4.1.5 RPCME算法的详细描述
4.2 实验及结果分析
4.2.1 数据集
4.2.2 性能评价指标
4.2.3 实验设计
4.2.4 实验结果及分析讨论
4.3 本章小结
第五章 总结和展望
5.1 全文工作总结
5.2 未来研究工作展望
参考文献
致谢
攻读硕士学位期间的主要研究成果