| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 基于成对约束和图构造的半监督降维 | 第14-16页 |
| 1.2.2 基于求解低秩或稀疏表示的子空间聚类 | 第16-17页 |
| 1.3 本文的贡献 | 第17-18页 |
| 1.4 论文结构与组织 | 第18-19页 |
| 第二章 基于加权成对约束的自适应半监督降维方法 | 第19-38页 |
| 2.1 研究动机 | 第19页 |
| 2.2 问题定义及目标函数 | 第19-24页 |
| 2.2.1 问题定义 | 第19页 |
| 2.2.2 约束权值的物理意义 | 第19-20页 |
| 2.2.3 利用监督信息：概率成对约束 | 第20-22页 |
| 2.2.4 通过构造稀疏图来利用无标记的样本 | 第22-24页 |
| 2.2.5 算法优化的目标函数 | 第24页 |
| 2.3 优化与算法 | 第24-28页 |
| 2.3.1 更新投影矩阵 | 第25页 |
| 2.3.2 计算稀疏图 | 第25-26页 |
| 2.3.3 更新成对约束的权重矩阵 | 第26-28页 |
| 2.4 实验与分析 | 第28-35页 |
| 2.4.1 一个自适应调整成对约束的概率的简单例子 | 第29-30页 |
| 2.4.2 在UCI数据集上的实验 | 第30-31页 |
| 2.4.3 在图像数据集上的实验 | 第31-34页 |
| 2.4.4 参数灵敏度分析 | 第34-35页 |
| 2.5 本章小结 | 第35-38页 |
| 第三章 基于潜在空间字典学习的低秩稀疏子空间聚类方法 | 第38-52页 |
| 3.1 研究动机 | 第38页 |
| 3.2 问题定义及目标函数 | 第38-40页 |
| 3.2.1 子空间聚类 | 第38页 |
| 3.2.2 稀疏子空间聚类 | 第38-39页 |
| 3.2.3 基于字典学习的子空间聚类 | 第39-40页 |
| 3.2.4 目标函数 | 第40页 |
| 3.3 优化与算法 | 第40-44页 |
| 3.3.1 更新低维投影矩阵 | 第40-41页 |
| 3.3.2 在潜在空间中更新字典 | 第41-43页 |
| 3.3.3 计算低秩稀疏重构矩阵 | 第43-44页 |
| 3.3.4 基于潜在空间字典学习的低秩稀疏子空间聚类算法 | 第44页 |
| 3.3.5 LRSSC-LSDL算法时间复杂度分析 | 第44页 |
| 3.4 实验与分析 | 第44-51页 |
| 3.4.1 在MNIST数据集上的实验 | 第45-47页 |
| 3.4.2 在USPS数据集上的实验 | 第47-48页 |
| 3.4.3 在COIL-20数据集上的实验 | 第48-50页 |
| 3.4.4 参数灵敏度分析 | 第50-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 基于加权成对约束与字典学习的半监督聚类方法 | 第52-64页 |
| 4.1 研究动机 | 第52页 |
| 4.2 问题定义及目标函数 | 第52-54页 |
| 4.2.1 问题定义 | 第52页 |
| 4.2.2 利用无标记的样本 | 第52-53页 |
| 4.2.3 利用监督信息：加权成对约束 | 第53-54页 |
| 4.2.4 目标函数 | 第54页 |
| 4.3 优化与算法 | 第54-59页 |
| 4.3.1 更新低维投影矩阵 | 第54-55页 |
| 4.3.2 在潜在空间中更新字典 | 第55页 |
| 4.3.3 计算低秩稀疏重构矩阵 | 第55-57页 |
| 4.3.4 更新成对约束权重 | 第57-59页 |
| 4.3.5 基于成对约束的半监督聚类算法 | 第59页 |
| 4.4 实验与分析 | 第59-63页 |
| 4.4.1 和无监督的子空间聚类算法的对比实验 | 第60页 |
| 4.4.2 和其他基于成对约束的聚类算法的对比实验 | 第60-63页 |
| 4.5 本章小结 | 第63-64页 |
| 总结与展望 | 第64-66页 |
| 参考文献 | 第66-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 附件 | 第75页 |
