| 致谢 | 第3-4页 |
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 变量注释表 | 第17-18页 |
| 1 绪论 | 第18-28页 |
| 1.1 研究背景和意义 | 第18-20页 |
| 1.2 国内外研究现状 | 第20-24页 |
| 1.3 本文的主要研究内容及技术路线 | 第24-25页 |
| 1.4 本文组织结构 | 第25-27页 |
| 1.5 本章小结 | 第27-28页 |
| 2 基本理论 | 第28-41页 |
| 2.1 图嵌入框架 | 第28-30页 |
| 2.2 谱聚类 | 第30-33页 |
| 2.3 谱回归模型 | 第33-34页 |
| 2.4 多核学习 | 第34-36页 |
| 2.5 非参核学习 | 第36-37页 |
| 2.6 稀疏表示 | 第37-40页 |
| 2.7 本章小结 | 第40-41页 |
| 3 基于谱回归和迹比率最大化的多核维数约简方法 | 第41-58页 |
| 3.1 引言 | 第41-43页 |
| 3.2 常见多核维数约简方法 | 第43-45页 |
| 3.3 基于谱回归和迹比率最大化的多核维数约简框架 | 第45-49页 |
| 3.4 实验结果与分析 | 第49-57页 |
| 3.5 本章小结 | 第57-58页 |
| 4 基于谱回归的边缘Fisher分析维数约简方法 | 第58-71页 |
| 4.1 引言 | 第58-59页 |
| 4.2 边缘Fisher分析 | 第59-60页 |
| 4.3 基于谱回归的边缘Fisher分析维数约简 | 第60-67页 |
| 4.4 基于边缘Fisher分析的多核学习算法 | 第67-70页 |
| 4.5 本章小结 | 第70-71页 |
| 5 基于低维嵌入的半监督非参核学习方法 | 第71-90页 |
| 5.1 引言 | 第71-72页 |
| 5.2 非线性谱嵌入聚类方法 | 第72-76页 |
| 5.3 基于低维嵌入的半监督低秩核学习框架 | 第76-80页 |
| 5.4 实验结果与分析 | 第80-88页 |
| 5.5 本章小结 | 第88-90页 |
| 6 基于谱回归和组合范数的核稀疏表示分类方法研究 | 第90-106页 |
| 6.1 引言 | 第90-91页 |
| 6.2 核稀疏表示分类算法 | 第91-92页 |
| 6.3 基于谱回归的核稀疏表示算法 | 第92-102页 |
| 6.4 基于组合范数和谱回归的核稀疏表示分类算法 | 第102-105页 |
| 6.5 本章小结 | 第105-106页 |
| 7 结论与展望 | 第106-108页 |
| 参考文献 | 第108-121页 |
| 作者简历 | 第121-123页 |
| 学位论文数据集 | 第123页 |