结合稀疏学习和超图的低秩属性选择算法
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-12页 |
| 1.2 本文的主要工作和组织结构 | 第12-13页 |
| 第2章 相关技术介绍 | 第13-24页 |
| 2.1 稀疏学习 | 第13-15页 |
| 2.2 超图简介 | 第15-17页 |
| 2.3 低秩约束 | 第17页 |
| 2.4 属性选择 | 第17-18页 |
| 2.5 子空间学习 | 第18-19页 |
| 2.6 回归分析 | 第19-21页 |
| 2.7 分类 | 第21-23页 |
| 2.8 小结 | 第23-24页 |
| 第3章 SLH算法 | 第24-31页 |
| 3.1 引言 | 第24-25页 |
| 3.2 SLH算法描述 | 第25-27页 |
| 3.3 SLH算法优化求解 | 第27-28页 |
| 3.4 优化算法收敛性证明 | 第28-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 SLH算法在回归和分类中的应用及其实验 | 第31-52页 |
| 4.1 分类和回归中的应用 | 第31页 |
| 4.2 回归实验评价指标和数据集说明 | 第31-32页 |
| 4.3 回归分析实验结果及其分析 | 第32-39页 |
| 4.4 分类实验评价指标和数据集说明 | 第39-41页 |
| 4.5 分类分析实验结果及其分析 | 第41-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 全文总结与展望 | 第52-54页 |
| 5.1 全文总结 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 在读期间科研成果 | 第60-61页 |
| 致谢 | 第61-62页 |
