非欧框架下的线性判别分析
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 人脸识别技术研究背景 | 第8页 |
| 1.2 人脸识别的现状及前景 | 第8-9页 |
| 1.3 降维技术在人脸识别中的应用 | 第9-10页 |
| 1.4 本文的主要研究内容和论文章节安排 | 第10-12页 |
| 2 数据降维算法 | 第12-23页 |
| 2.1 引言 | 第12页 |
| 2.2 线性降维方法 | 第12-15页 |
| 2.2.1 主成分分析(PCA) | 第12-13页 |
| 2.2.2 线性判别分析(LDA) | 第13-15页 |
| 2.3 基于二维数据的降维算法 | 第15-18页 |
| 2.3.1 二维主成分分析(2DPCA) | 第15-16页 |
| 2.3.2 二维线性判别分析(2DLDA) | 第16-18页 |
| 2.4 基于核方法的数据降维算法 | 第18-22页 |
| 2.4.1 核方法 | 第18页 |
| 2.4.2 核主成分分析(KPCA) | 第18-20页 |
| 2.4.3 核Fisher判别分析(KFDA) | 第20-21页 |
| 2.4.4 基于矩阵表示的核判别分析方法 | 第21-22页 |
| 2.5 半监督判别分析 | 第22-23页 |
| 3 自适应正则化核二维判别分析 | 第23-34页 |
| 3.1 自适应正则化核二维判别分析算法 | 第23-28页 |
| 3.1.1 目标函数 | 第23-25页 |
| 3.1.2 优化算法 | 第25-27页 |
| 3.1.3 时间复杂度分析 | 第27-28页 |
| 3.2 基于向量表示推广算法 | 第28页 |
| 3.3 实验结果与分析 | 第28-34页 |
| 3.3.1 数据集描述 | 第28-29页 |
| 3.3.2 对比方法与环境设置 | 第29页 |
| 3.3.3 识别精度 | 第29-32页 |
| 3.3.4 参数的敏感性 | 第32页 |
| 3.3.5 收敛性 | 第32-34页 |
| 结论 | 第34-35页 |
| 参考文献 | 第35-38页 |
| 攻读硕士学位期间发表学术论文情况 | 第38-39页 |
| 致谢 | 第39页 |
