摘要 | 第10-12页 |
ABSTRACT | 第12-13页 |
缩略语表 | 第17-20页 |
第1章 绪论 | 第20-38页 |
1.1 课题背景及意义 | 第20-21页 |
1.2 稀疏约束模型 | 第21-28页 |
1.3 研究现状 | 第28-35页 |
1.3.1 基于稀疏表示的分类器 | 第28-30页 |
1.3.2 基于稀疏表示的近邻关系 | 第30-34页 |
1.3.3 稀疏约束下的映射投影 | 第34-35页 |
1.4 主要内容与章节安排 | 第35-38页 |
第2章 基于分块字典与群智能的自适应稀疏表示模型 | 第38-54页 |
2.1 引言 | 第38-39页 |
2.2 基于块字典的自适应稀疏表示模型 | 第39-42页 |
2.2.1 经典稀疏表示模型的稀疏系数 | 第39-41页 |
2.2.2 组正则化参数 | 第41-42页 |
2.2.3 系数加强项 | 第42页 |
2.3 模型的群智能求解 | 第42-46页 |
2.3.1 人工蜂群算法 | 第42-45页 |
2.3.2 自适应搜索方程 | 第45-46页 |
2.3.3 图像识别中的字典分块策略 | 第46页 |
2.4 仿真实验 | 第46-52页 |
2.4.1 新模型的特性 | 第47-51页 |
2.4.2 模式识别效果 | 第51-52页 |
2.5 本章小结 | 第52-54页 |
第3章 分组协同表示分类器 | 第54-66页 |
3.1 引言 | 第54页 |
3.2 分组协同表示分类器 | 第54-57页 |
3.2.1 协同表示分类器 | 第54-55页 |
3.2.2 L_2范数约束的作用 | 第55-56页 |
3.2.3 分组协同表示分类器 | 第56页 |
3.2.4 分组协同表示模型的解析解 | 第56-57页 |
3.3 手指关节的特征表示 | 第57-59页 |
3.4 实验分析 | 第59-64页 |
3.4.1 实验数据库的描述 | 第59-60页 |
3.4.2 参数设置 | 第60页 |
3.4.3 实验结果及分析 | 第60-64页 |
3.5 本章小结 | 第64-66页 |
第4章 张量局部保留稀疏投影 | 第66-94页 |
4.1 引言 | 第66-68页 |
4.2 流形学习 | 第68-72页 |
4.2.1 非线性流形学习算法 | 第68-71页 |
4.2.2 线性流形学习算法 | 第71-72页 |
4.3 张量局部保留稀疏投影 | 第72-77页 |
4.3.1 张量子空间分析 | 第72-74页 |
4.3.2 基于矩阵的广义特征问题的等价线性回归形式 | 第74-77页 |
4.3.3 张量局部保留稀疏投影模型 | 第77页 |
4.4 优化求解 | 第77-80页 |
4.5 人脸识别实验 | 第80-87页 |
4.5.1 实验数据库的描述 | 第80-81页 |
4.5.2 实验结果及分析 | 第81-87页 |
4.6 图像聚类实验 | 第87-93页 |
4.6.1 数据库及实验设置 | 第87-90页 |
4.6.2 实验结果及分析 | 第90-93页 |
4.7 本章小结 | 第93-94页 |
第5章 MDS结合L_(2,1)范数约束的低分辨率图像识别 | 第94-118页 |
5.1 背景知识 | 第94-97页 |
5.1.1 低分辨率识别 | 第94-96页 |
5.1.2 L_(2,1)范数正则化下的特征选择算法 | 第96-97页 |
5.2 MDSL21的数学模型建立 | 第97-100页 |
5.3 模型求解 | 第100-104页 |
5.3.1 迭代优化求解MDS模型的公共空间响应Y | 第100-102页 |
5.3.2 求解行稀疏投影矩阵W | 第102-104页 |
5.4 实验 | 第104-115页 |
5.4.1 实验集设置 | 第104-105页 |
5.4.2 初始化设置 | 第105-106页 |
5.4.3 实验的对比算法 | 第106-107页 |
5.4.4 实验结果及分析 | 第107-115页 |
5.5 本章小结 | 第115-118页 |
第6章 工作总结与展望 | 第118-122页 |
6.1 工作总结 | 第118-120页 |
6.2 工作展望 | 第120-122页 |
参考文献 | 第122-136页 |
致谢 | 第136-138页 |
攻读学位期间发表的学术论文及科研情况 | 第138-140页 |
附录1 | 第140-173页 |
学位论文评阅及答辩情况表 | 第173页 |