| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 绪论 | 第11-21页 |
| ·研究背景及意义 | 第11-13页 |
| ·研究现状 | 第13-19页 |
| ·统计方法 | 第13-14页 |
| ·决策树方法 | 第14页 |
| ·K最近邻方法 | 第14-15页 |
| ·神经网络法 | 第15-16页 |
| ·支持向量机 | 第16-17页 |
| ·稀疏表示方法 | 第17-18页 |
| ·张量表示方法 | 第18-19页 |
| ·研究内容及结构安排 | 第19-21页 |
| 第二章 张量几何与子空间学习相关知识 | 第21-30页 |
| ·张量几何 | 第21-23页 |
| ·张量子空间学习 | 第23-29页 |
| ·张量子空间描述 | 第24-25页 |
| ·张量主成分分析 | 第25-26页 |
| ·张量线性判别分析 | 第26-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 图像内容相关的支持张量机分类器初始化方法 | 第30-52页 |
| ·引言 | 第30-31页 |
| ·支持向量机 | 第31-35页 |
| ·线性可分 | 第31-34页 |
| ·线性不可分 | 第34-35页 |
| ·支持张量机 | 第35-36页 |
| ·图谱和流形学习理论 | 第36-42页 |
| ·图的基本概念 | 第36-39页 |
| ·流形学习 | 第39-40页 |
| ·基于图谱理论的流形学习算法 | 第40-42页 |
| ·支持张量机初始化方法 | 第42页 |
| ·子空间降维 | 第42-48页 |
| ·非负矩阵分解 | 第43-45页 |
| ·目标函数 | 第45-46页 |
| ·迭代公式 | 第46页 |
| ·非负矩阵分解的初始化 | 第46-48页 |
| ·实验结果分析 | 第48-50页 |
| ·本章小结 | 第50-52页 |
| 第四章 基于图与低秩表示的非负张量分解算法 | 第52-78页 |
| ·引言 | 第52-53页 |
| ·非负张量分解 | 第53-58页 |
| ·Tucker分解 | 第53-54页 |
| ·平行因子分解法 | 第54-55页 |
| ·非负Tucker分解 | 第55-56页 |
| ·稀疏非负张量分解算法 | 第56-58页 |
| ·基于图的非负矩阵分解算法 | 第58-60页 |
| ·目标函数 | 第58-59页 |
| ·算法描述 | 第59-60页 |
| ·基于图的非负张量分解算法 | 第60-62页 |
| ·基于低秩表示的非负张量分解算法 | 第62-73页 |
| ·压缩感知理论 | 第62-64页 |
| ·低秩矩阵恢复 | 第64-71页 |
| ·目标函数 | 第71-72页 |
| ·算法描述 | 第72-73页 |
| ·实验结果分析 | 第73-77页 |
| ·本章小结 | 第77-78页 |
| 第五章 基于HOSVD的多级非负低秩稀疏矩阵分解算法 | 第78-92页 |
| ·引言 | 第78页 |
| ·低秩稀疏矩阵分解算法 | 第78-82页 |
| ·算法原理 | 第78-80页 |
| ·张量空间中的视频表达 | 第80页 |
| ·目标函数及判别 | 第80-82页 |
| ·多级非负低秩稀疏矩阵分解算法 | 第82-84页 |
| ·实验结果分析 | 第84-90页 |
| ·本章小结 | 第90-92页 |
| 第六章 总结和展望 | 第92-94页 |
| ·总结 | 第92页 |
| ·展望 | 第92-94页 |
| 参考文献 | 第94-107页 |
| 致谢 | 第107-109页 |
| 攻读学位期间发表的学术论文目录 | 第109页 |