稀疏图子空间学习算法研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第10-22页 |
| 1.1 研究背景与研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 子空间学习 | 第12-13页 |
| 1.2.2 图学习 | 第13-14页 |
| 1.2.3 稀疏表示 | 第14-16页 |
| 1.3 研究动机 | 第16页 |
| 1.4 论文的研究内容和创新点 | 第16-18页 |
| 1.5 论文的组织结构 | 第18-22页 |
| 2 稀疏图模型相关理论 | 第22-36页 |
| 2.1 子空间学习综述 | 第22-26页 |
| 2.1.1 线性子空间学习算法 | 第22-24页 |
| 2.1.2 非线性子空间学习算法 | 第24-26页 |
| 2.2 流形学习 | 第26-31页 |
| 2.2.1 局部线性嵌入（LLE） | 第28-29页 |
| 2.2.2 拉普拉斯特征映射（LE） | 第29-30页 |
| 2.2.3 等距映射（ISOMAP） | 第30-31页 |
| 2.3 稀疏图 | 第31-34页 |
| 2.3.1 图谱理论及图的构建 | 第31-32页 |
| 2.3.2 稀疏图表示及求解 | 第32-34页 |
| 2.4 本章小结 | 第34-36页 |
| 3 稀疏图正则化非负矩阵分解 | 第36-52页 |
| 3.1 引言 | 第36-38页 |
| 3.2 理论背景 | 第38-41页 |
| 3.2.1 非负矩阵因子分解（NMF） | 第38页 |
| 3.2.2 图正则化非负矩阵分解（GNMF） | 第38-39页 |
| 3.2.3 稀疏图 | 第39-41页 |
| 3.3 稀疏图正则化非负矩阵分解（SGNMF） | 第41-42页 |
| 3.3.1 稀疏图正则化非负矩阵分解模型 | 第41页 |
| 3.3.2 更新规则 | 第41-42页 |
| 3.4 收敛性证明 | 第42-44页 |
| 3.5 实验与结果分析 | 第44-51页 |
| 3.5.1 实验设置 | 第44-45页 |
| 3.5.2 数据集 | 第45-46页 |
| 3.5.3 实验验证 | 第46-47页 |
| 3.5.4 实验结果 | 第47-48页 |
| 3.5.5 参数选择 | 第48-49页 |
| 3.5.6 收敛性研究 | 第49-50页 |
| 3.5.7 算法效率分析 | 第50-51页 |
| 3.6 本章小结 | 第51-52页 |
| 4 稀疏图正则化线性判别分析 | 第52-70页 |
| 4.1 引言 | 第52-54页 |
| 4.2 理论背景 | 第54-60页 |
| 4.2.1 半监督降维学习方法 | 第54-57页 |
| 4.2.2 线性判别分析（LDA） | 第57-59页 |
| 4.2.3 半监督判别分析（SDA） | 第59-60页 |
| 4.3 稀疏图正则化线性判别分析（SGLDA） | 第60-62页 |
| 4.4 实验结果与分析 | 第62-67页 |
| 4.4.1 数据集与对比方法 | 第62-63页 |
| 4.4.2 实验结果 | 第63-65页 |
| 4.4.3 小样本问题 | 第65-66页 |
| 4.4.4 可视化特征向量 | 第66页 |
| 4.4.5 计算开销分析 | 第66-67页 |
| 4.4.6 参数影响 | 第67页 |
| 4.5 本章小结 | 第67-70页 |
| 5 类引导稀疏保留投影 | 第70-87页 |
| 5.1 引言 | 第70-72页 |
| 5.2 理论背景 | 第72-77页 |
| 5.2.1 局部保留投影（LPP） | 第72-74页 |
| 5.2.2 稀疏保留投影（SPP） | 第74-76页 |
| 5.2.3 全局局部保留投影（GLPP） | 第76-77页 |
| 5.3 类引导稀疏保留投影（CGSPP） | 第77-78页 |
| 5.4 实验结果与分析 | 第78-85页 |
| 5.4.1 数据集 | 第78-81页 |
| 5.4.2 对比算法和实验流程 | 第81-82页 |
| 5.4.3 人脸识别结果及分析 | 第82-83页 |
| 5.4.4 步态识别结果及分析 | 第83页 |
| 5.4.5 特征维度影响 | 第83-85页 |
| 5.5 本章小结 | 第85-87页 |
| 6 协同稀疏保留投影 | 第87-100页 |
| 6.1 引言 | 第87-88页 |
| 6.2 理论背景 | 第88-93页 |
| 6.2.1 稀疏表示与协同表示 | 第88-91页 |
| 6.2.2 图嵌入模型（GE） | 第91-92页 |
| 6.2.3 协同图嵌入模型（CGE） | 第92-93页 |
| 6.3 协同稀疏保留投影（CSPP） | 第93-94页 |
| 6.4 实验结果与分析 | 第94-97页 |
| 6.4.1 数据集与实验设置 | 第94-96页 |
| 6.4.2 人脸图像分类结果分析 | 第96-97页 |
| 6.4.3 计算开销分析 | 第97页 |
| 6.5 本章小结 | 第97-100页 |
| 7 总结与展望 | 第100-104页 |
| 7.1 总结 | 第100-101页 |
| 7.2 展望 | 第101-104页 |
| 致谢 | 第104-106页 |
| 参考文献 | 第106-118页 |
| 附录 | 第118页 |
| A. 作者在攻读学位期间发表的论文目录 | 第118页 |
| B. 作者在攻读学位期间取得的科研成果目录 | 第118页 |
