| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 绪论 | 第15-35页 |
| 1.1 课题研究背景与意义 | 第15-18页 |
| 1.2 度量学习的基本原理 | 第18-21页 |
| 1.3 度量学习的研究现状 | 第21-32页 |
| 1.3.1 非监督度量学习 | 第22页 |
| 1.3.2 基于概率模型的度量学习算法 | 第22-24页 |
| 1.3.3 基于支持向量机的度量学习算法 | 第24-25页 |
| 1.3.4 基于Adaboost的度量学习算法 | 第25-29页 |
| 1.3.5 在线度量学习算法 | 第29-31页 |
| 1.3.6 度量学习算法的应用 | 第31-32页 |
| 1.4 距离度量学习几个待解决的关键问题 | 第32-33页 |
| 1.5 论文的主要研究内容 | 第33-35页 |
| 第2章 用于支持向量机分类的度量学习算法 | 第35-59页 |
| 2.1 引言 | 第35-37页 |
| 2.2 相关工作 | 第37-39页 |
| 2.2.1 支持向量机和K近邻分类器的关系 | 第37页 |
| 2.2.2 支持向量机和K近邻算法在不同情况下的比较 | 第37-39页 |
| 2.2.3 和马氏距离的联系 | 第39页 |
| 2.3 度量学习和支持向量机的统一算法框架 | 第39-51页 |
| 2.3.1 基于马氏距离的径向基核函数 | 第39-43页 |
| 2.3.2 学习基于马氏距离径向基核函数的支持向量机分类器 | 第43-45页 |
| 2.3.3 用于高维数据集的压缩表示法 | 第45-49页 |
| 2.3.4 多类别数据分类的情况 | 第49-51页 |
| 2.4 实验结果 | 第51-57页 |
| 2.4.1 性能指标 | 第51-52页 |
| 2.4.2 与先进分类算法性能比较 | 第52-56页 |
| 2.4.3 实验结果讨论 | 第56-57页 |
| 2.5 本章小节 | 第57-59页 |
| 第3章 基于三元约束与信息熵的度量学习算法 | 第59-84页 |
| 3.1 引言 | 第59-61页 |
| 3.2 预备知识 | 第61-64页 |
| 3.2.1 布莱格曼矩阵散度 | 第61-63页 |
| 3.2.2 信息熵 | 第63-64页 |
| 3.3 基于三元约束与信息熵的距离度量学习算法 | 第64-78页 |
| 3.3.1 训练约束的比较和选取 | 第64-66页 |
| 3.3.2 在线距离度量学习框架 | 第66-71页 |
| 3.3.3 高维数据的压缩表示方法 | 第71-74页 |
| 3.3.4 动态三元约束构建策略 | 第74-78页 |
| 3.4 实验结果 | 第78-82页 |
| 3.5 本章小节 | 第82-84页 |
| 第4章 用于多变量时间序列分类的度量学习算法 | 第84-108页 |
| 4.1 引言 | 第84-87页 |
| 4.2 预备知识 | 第87-89页 |
| 4.2.1 动态时间规整 | 第87-89页 |
| 4.3 基于马氏距离的动态时间规整 | 第89-94页 |
| 4.4 用于多变量时间序列的度量学习算法 | 第94-98页 |
| 4.5 实验结果 | 第98-106页 |
| 4.5.1 与目前最先进算法的性能比较 | 第98-103页 |
| 4.5.2 计算效率分析 | 第103页 |
| 4.5.3 参数对性能的影响分析 | 第103-106页 |
| 4.6 本章小节 | 第106-108页 |
| 第5章 基于马氏距离的度量学习算法的应用 | 第108-141页 |
| 5.1 基于度量学习的人脸表情识别 | 第108-116页 |
| 5.1.1 基于度量学习的人脸表情识别算法框架 | 第109-113页 |
| 5.1.2 人脸表情识别实验结果 | 第113-116页 |
| 5.2 基于度量学习的图像检索 | 第116-128页 |
| 5.2.1 基于度量学习的图像检索算法框架 | 第118-123页 |
| 5.2.2 图像检索实验结果 | 第123-128页 |
| 5.3 使用度量学习的基于数据驱动的故障检测 | 第128-140页 |
| 5.3.1 基于度量学习算法的故障检测框架 | 第133-137页 |
| 5.3.2 故障检测实验结果 | 第137-140页 |
| 5.4 本章小节 | 第140-141页 |
| 结论 | 第141-144页 |
| 参考文献 | 第144-157页 |
| 攻读博士学位期间发表的论文及其他成果 | 第157-160页 |
| 致谢 | 第160-161页 |
| 个人简历 | 第161页 |