摘要5-7
Abstract7-13
图目录13-15
表目录15-16
主要符号表16-18
第一章 绪论18-30
1.1 选题背景及探讨作用18-20
1.2 大规模分类的探讨进展与进展方向20-27
1.2.1 大规模有监督分类探讨进展20-23
1.2.2 大规模半监督分类探讨进展23-26
1.2.3 大规模分类的进展方向26-27
1.3 本论文的探讨内容及组织27-30
1.3.1 本论文的探讨内容27-29
1.3.2 本论文的组织29-30
第二章 相关工作30-47
2.1 聚类特点树30-33
2.1.1 基本概念30
2.1.2 聚类特点30-31
2.1.3 聚类特点树31-32
2.1.4 聚类特点树的建立32-33
2.2 支持向量机33-39
2.2.1 线性支持向量机34-36
2.2.2 非线性支持向量机36
2.2.3 多分类不足36-37
2.2.4 支持向量机的求解算法37-39
2.3 半监督支持向量机39-41
2.4 基于图的半监督分类算法41-46
2.4.1 图的构造41
2.4.2 图的正则化框架41-42
2.4.3 高斯随机场与调和函数算法42-43
2.4.4 基于线性邻域的标记传播算法43-45
2.4.5 原型向量机算法45-46
2.5 本章小结46-47
第三章 基于带类标聚类特点树和局部学习的大规模支持向量机分类算法47-70
3.1 局部学习思想47-48
3.2 带类标聚类特点树48-52
3.2.1 带类标的聚类特点48-49
3.2.2 带类标的聚类特点树49-50
3.2.3 带类标聚类特点树的建立50-52
3.3 基于带类标聚类特点树和局部学习的大规模支持向量机分类算法52-61
3.3.1 算法总体流程53-54
3.3.2 训练 CFL 树历程54
3.3.3 样本测试历程54-55
3.3.4 算法描述55-57
3.3.5 参数影响浅析57-59
3.3.6 算法复杂度浅析59-61
3.4 实验结果与浅析61-68
3.4.1 比较的算法及运转环境设置61-62
3.4.2 实验所用数据集62-63
3.4.3 中等规模数据集上的结果与浅析63-65
3.4.4 大规模数据集上的结果与浅析65-67
3.4.5 更大规模数据集上的结果与浅析67-68
3.4.6 内存对算法影响浅析68
3.5 本章小结68-70
第四章 基于聚类特点树与渐进标注的大规模半监督支持向量机分类算法70-89
4.1 采取聚类特点树层次聚类无标记样本70
4.2 CCCP-S3VM 算法70-75
4.3 基于聚类特点树与渐进标注的大规模半监督支持向量机分类算法75-83
4.3.1 算法思想75-79
4.3.2 算法描述79-82
4.3.3 算法复杂度浅析82-83
4.4 实验结果与浅析83-88
4.4.1 比较的算法及运转环境设置83-84
4.4.2 中小规模数据集的结果与浅析84-85
4.4.3 大规模数据集上的结果与浅析85-87
4.4.4 剪枝情况浅析87-88
4.5 本章小结88-89
第五章 基于聚类特点树和局部图转导的大规模半监督分类算法89-98
5.1 采取聚类特点树划分无标记样本89
5.2 局部与全局一致性算法89-91
5.3 基于聚类特点树和局部图转导的大规模半监督分类算法91-94
5.3.1 局部图构造91-92
5.3.2 算法描述92
5.3.3 算法复杂度浅析92-94
5.4 实验结果与浅析94-96
5.4.1 比较的算法及运转环境设置94
5.4.2 中等规模数据集的结果与浅析94-95
5.4.3 大规模数据集的结果与浅析95-96
5.5 本章小结96-98
第六章 整合全局结构的局部大规模半监督分类算法98-109
6.1 锚图正则化算法98-100
6.2 整合全局结构的局部大规模半监督分类算法100-103
6.2.1 算法思想100-101
6.2.2 算法描述101-103
6.2.3 局部学习框架103
6.2.4 算法复杂度浅析103
6.3 实验结果与浅析103-108
6.3.1 比较的算法及运转环境设置103-104
6.3.2 中等规模数据集的结果与浅析104-105
6.3.3 大规模数据集的结果与浅析105-108
6.4 本章小结108-109
结论与展望109-112