基于回归与流形学习的特征选择和特征提取
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 大数据降维的背景和意义 | 第16页 |
| 1.2 降维方法的简介、发展与现状 | 第16-19页 |
| 1.3 非负矩阵分解简介 | 第19-20页 |
| 1.4 论文内容与结构安排 | 第20-22页 |
| 第二章 基于核判别分析和回归学习的无监督特征选择 | 第22-44页 |
| 2.1 引言 | 第22页 |
| 2.2 相关工作 | 第22-26页 |
| 2.2.1 基本概念 | 第22-23页 |
| 2.2.2 相关特征选择算法 | 第23-25页 |
| 2.2.3 相关谱聚类算法 | 第25-26页 |
| 2.2.4 核方法简介 | 第26页 |
| 2.3 算法模型 | 第26-32页 |
| 2.3.1 基于非负谱聚类的全局判别模型 | 第26-29页 |
| 2.3.2 回归学习 | 第29页 |
| 2.3.3 特征评分 | 第29-30页 |
| 2.3.4 算法框架 | 第30页 |
| 2.3.5 优化求解 | 第30-32页 |
| 2.4 算法分析 | 第32-33页 |
| 2.4.1 收敛性分析 | 第32-33页 |
| 2.4.2 时间复杂度 | 第33页 |
| 2.5 实验分析 | 第33-42页 |
| 2.5.1 数据集 | 第33-34页 |
| 2.5.2 评价指标 | 第34页 |
| 2.5.3 参数设置 | 第34页 |
| 2.5.4 对比算法 | 第34-35页 |
| 2.5.5 收敛性 | 第35-36页 |
| 2.5.6 人脸图像特征选择实验 | 第36页 |
| 2.5.7 聚类实验 | 第36-38页 |
| 2.5.8 最近邻分类 | 第38-39页 |
| 2.5.9 参数敏感性 | 第39-42页 |
| 2.6 本章小结 | 第42-44页 |
| 第三章 基于秩正则和标签约束的非负矩阵分解 | 第44-60页 |
| 3.1 引言 | 第44页 |
| 3.2 相关工作 | 第44-47页 |
| 3.2.1 基本概念 | 第45页 |
| 3.2.2 GNMF和RNMF | 第45-46页 |
| 3.2.3 CNMF和GSNMFC | 第46-47页 |
| 3.3 算法模型 | 第47-50页 |
| 3.3.1 损失函数项 | 第48页 |
| 3.3.2 图正则项 | 第48页 |
| 3.3.3 秩约束 | 第48-49页 |
| 3.3.4 和其他算法的关联 | 第49页 |
| 3.3.5 优化求解 | 第49-50页 |
| 3.4 算法分析 | 第50-52页 |
| 3.4.1 收敛性分析 | 第50-51页 |
| 3.4.2 时间复杂度 | 第51-52页 |
| 3.5 实验分析 | 第52-59页 |
| 3.5.1 数据集 | 第52页 |
| 3.5.2 对比算法 | 第52-53页 |
| 3.5.3 参数设置 | 第53页 |
| 3.5.4 聚类指标 | 第53页 |
| 3.5.5 基向量还原效果 | 第53-54页 |
| 3.5.6 收敛性 | 第54页 |
| 3.5.7 聚类实验 | 第54-58页 |
| 3.5.8 参数敏感性 | 第58-59页 |
| 3.6 本章小结 | 第59-60页 |
| 第四章 非负矩阵分解框架下的自表示特征选择 | 第60-76页 |
| 4.1 引言 | 第60页 |
| 4.2 相关工作 | 第60-62页 |
| 4.2.1 自表示 | 第61页 |
| 4.2.2 PTNMF和GRFS | 第61-62页 |
| 4.3 算法模型 | 第62-66页 |
| 4.3.1 NMF框架与自表示 | 第62-63页 |
| 4.3.2 稀疏约束 | 第63-64页 |
| 4.3.3 流形学习 | 第64页 |
| 4.3.4 优化求解 | 第64-65页 |
| 4.3.5 与其他算法的关联 | 第65-66页 |
| 4.4 算法分析 | 第66-67页 |
| 4.4.1 收敛性分析 | 第66页 |
| 4.4.2 时间复杂度 | 第66-67页 |
| 4.5 实验分析 | 第67-74页 |
| 4.5.1 人脸图像特征选择实验 | 第67-68页 |
| 4.5.2 数据集说明 | 第68页 |
| 4.5.3 收敛性 | 第68页 |
| 4.5.4 聚类实验 | 第68-72页 |
| 4.5.5 参数设置与敏感性分析 | 第72-74页 |
| 4.6 本章小结 | 第74-76页 |
| 第五章 总结与展望 | 第76-78页 |
| 5.1 论文总结 | 第76-77页 |
| 5.2 工作展望 | 第77-78页 |
| 参考文献 | 第78-84页 |
| 致谢 | 第84-86页 |
| 作者简介 | 第86-87页 |
