基于知識(shí)表達(dá)的遷移學(xué)習(xí)方法及其應(yīng)用

1 緒論
1．1 研究目標(biāo)
1．2 研究?jī)?nèi)容
1．3 研究方案
1．4 研究成果及意義
1．5 主要內(nèi)容及安排
1．6 本章小結(jié)
2 遷移學(xué)習(xí)綜述
2．1 研究背景
2．2 遷移的內(nèi)容
2．3 遷移學(xué)習(xí)的研究成果
2．4 遷移學(xué)習(xí)的應(yīng)用
2．5 遷移學(xué)習(xí)的常用資源
2．6 本章小結(jié)
3 基于多源動(dòng)態(tài)TrAdaBoost的實(shí)例遷移學(xué)習(xí)
3．1 研究背景
3．2 理論基礎(chǔ)
3．3 基于多源動(dòng)態(tài)TrAdaBoost的實(shí)例遷移學(xué)習(xí)
3．4 實(shí)驗(yàn)與分析
3．5 本章小結(jié)
4 基于協(xié)方差矩陣的特征遷移學(xué)習(xí)
4．1 研究背景
4．2 協(xié)方差矩陣
4．3 基于協(xié)方差矩陣的特征遷移學(xué)習(xí)
4．4 實(shí)驗(yàn)與分析
4．5 本章小結(jié)
5 基于層次貝葉斯的參數(shù)遷移學(xué)習(xí)
5．1 研究背景
5．2 層次貝葉斯
5．3 基于層次貝葉斯的參數(shù)遷移學(xué)習(xí)
5．4 實(shí)驗(yàn)與分析
5．5 本章小結(jié)
6 基于馬爾可夫邏輯網(wǎng)的關(guān)聯(lián)規(guī)則遷移學(xué)習(xí)
6．1 研究背景
6．2 馬爾可夫邏輯網(wǎng)
6．3 基于馬爾可夫邏輯網(wǎng)的關(guān)聯(lián)規(guī)則遷移學(xué)習(xí)
6．4 實(shí)驗(yàn)與分析
6．5 本章小結(jié)
參考文獻(xiàn)