约束非负矩阵分解算法及其应用研究
| 摘要 | 第5-8页 |
| Abstract | 第8-10页 |
| 1 绪论 | 第15-33页 |
| 1.1 论文研究背景和意义 | 第15-17页 |
| 1.2 概述 | 第17-26页 |
| 1.2.1 基于线性的子空间学习算法 | 第17-22页 |
| 1.2.2 基于非线性的子空间学习算法 | 第22-24页 |
| 1.2.3 约束非负矩阵分解算法 | 第24-26页 |
| 1.3 应用领域 | 第26-29页 |
| 1.3.1 图像识别 | 第26-27页 |
| 1.3.2 文本聚类 | 第27页 |
| 1.3.3 高光谱解混 | 第27-28页 |
| 1.3.4 多视图学习 | 第28-29页 |
| 1.4 论文的主要研究内容 | 第29-30页 |
| 1.5 论文组织结构 | 第30-33页 |
| 2 基于鉴别约束嵌入的半监督非负矩阵分解算法 | 第33-53页 |
| 2.1 引言 | 第33-34页 |
| 2.2 相关工作 | 第34-36页 |
| 2.2.1 非负矩阵分解算法 | 第34页 |
| 2.2.2 基于图正则化的非负矩阵分解算法 | 第34-36页 |
| 2.3 基于鉴别约束嵌入的半监督非负矩阵分解 | 第36-43页 |
| 2.3.1 算法原理 | 第36页 |
| 2.3.2 目标函数构建 | 第36-38页 |
| 2.3.3 目标函数求解 | 第38-39页 |
| 2.3.4 理论分析 | 第39-43页 |
| 2.4 实验结果和分析 | 第43-51页 |
| 2.4.1 在ORL数据集上的实验 | 第44-46页 |
| 2.4.2 在Yale数据集上的实验 | 第46-48页 |
| 2.4.3 在Cora数据集上的实验 | 第48-49页 |
| 2.4.4 参数选择 | 第49-51页 |
| 2.4.5 结论分析 | 第51页 |
| 2.5 本章小结 | 第51-53页 |
| 3 基于局部流形和全局鉴别结构约束的概念分解算法 | 第53-73页 |
| 3.1 引言 | 第53-54页 |
| 3.2 相关工作 | 第54-55页 |
| 3.2.1 概念分解算法 | 第54-55页 |
| 3.2.2 局部一致概念分解算法 | 第55页 |
| 3.3 局部流形和全局鉴别结构约束的概念分解 | 第55-61页 |
| 3.3.1 算法原理 | 第55-56页 |
| 3.3.2 目标函数构建 | 第56-58页 |
| 3.3.3 目标函数求解 | 第58-59页 |
| 3.3.4 理论分析 | 第59-61页 |
| 3.4 实验结果和分析 | 第61-71页 |
| 3.4.1 在PIE数据集上的实验 | 第62-63页 |
| 3.4.2 在COIL20数据集上的实验 | 第63-65页 |
| 3.4.3 在MNIST数据集上的实验 | 第65-67页 |
| 3.4.4 在OUTEX数据集上的实验 | 第67-68页 |
| 3.4.5 参数选择 | 第68-70页 |
| 3.4.6 结论分析 | 第70-71页 |
| 3.5 本章小结 | 第71-73页 |
| 4 基于区域稀疏学习的非负矩阵分解算法 | 第73-93页 |
| 4.1 引言 | 第73-75页 |
| 4.2 相关工作 | 第75-76页 |
| 4.2.1 线性解混模型(LMM) | 第75页 |
| 4.2.2 NMF解混模型 | 第75-76页 |
| 4.3 基于区域稀疏学习的非负矩阵分解 | 第76-83页 |
| 4.3.1 算法原理 | 第76-77页 |
| 4.3.2 目标函数构建 | 第77-78页 |
| 4.3.3 目标函数求解 | 第78-80页 |
| 4.3.4 收敛性分析 | 第80-81页 |
| 4.3.5 实现细节 | 第81-83页 |
| 4.4 实验结果和分析 | 第83-92页 |
| 4.4.1 在人工模拟数据集上的实验 | 第83-87页 |
| 4.4.2 在真实高光谱数据集上的实验 | 第87-92页 |
| 4.5 本章小结 | 第92-93页 |
| 5 面向多视图的双约束非负矩阵分解算法 | 第93-113页 |
| 5.1 引言 | 第93-94页 |
| 5.2 相关工作 | 第94-96页 |
| 5.2.1 ColNMF算法 | 第94-95页 |
| 5.2.2 PVC算法 | 第95-96页 |
| 5.3 双约束非负矩阵分解 | 第96-102页 |
| 5.3.1 算法原理 | 第96-97页 |
| 5.3.2 目标函数构建 | 第97-99页 |
| 5.3.3 目标函数求解 | 第99-102页 |
| 5.4 实验结果和分析 | 第102-111页 |
| 5.4.1 在人工数据集上的实验 | 第103-105页 |
| 5.4.2 在Texas数据集上的实验 | 第105-106页 |
| 5.4.3 在Washington数据集上的实验 | 第106-108页 |
| 5.4.4 在Digit数据集上的实验 | 第108-109页 |
| 5.4.5 参数选择 | 第109-110页 |
| 5.4.6 结论分析 | 第110-111页 |
| 5.5 本章小结 | 第111-113页 |
| 6 结合矩阵分解和多特征融合的路面裂缝检测方法 | 第113-129页 |
| 6.1 引言 | 第113-115页 |
| 6.2 图像预处理 | 第115-118页 |
| 6.2.1 灰度校正 | 第115-117页 |
| 6.2.2 预检测 | 第117-118页 |
| 6.3 多特征提取 | 第118-120页 |
| 6.4 基于矩阵分解和多图嵌入的多特征融合 | 第120-123页 |
| 6.4.1 半非负矩阵分解 | 第120页 |
| 6.4.2 多图嵌入 | 第120-121页 |
| 6.4.3 目标函数构建 | 第121页 |
| 6.4.4 目标函数求解 | 第121-123页 |
| 6.4.5 复杂度分析 | 第123页 |
| 6.5 实验结果与分析 | 第123-128页 |
| 6.5.1 数据集介绍 | 第123-124页 |
| 6.5.2 与单一特征对比 | 第124-127页 |
| 6.5.3 与传统的路面裂缝检测算法对比 | 第127-128页 |
| 6.6 本章小结 | 第128-129页 |
| 7 结束语 | 第129-133页 |
| 7.1 本文工作总结 | 第129-131页 |
| 7.2 未来工作展望 | 第131-133页 |
| 致谢 | 第133-135页 |
| 参考文献 | 第135-151页 |
| 附录 | 第151-152页 |
