| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第17-30页 |
| 1.1 课题背景 | 第17页 |
| 1.2 研究的目的和意义 | 第17-18页 |
| 1.3 子空间学习方法概述 | 第18-22页 |
| 1.3.1 经典的子空间学习方法 | 第18-21页 |
| 1.3.2 基于稀疏和低秩约束的子空间学习方法 | 第21-22页 |
| 1.4 实验数据集介绍 | 第22-25页 |
| 1.5 本文的主要研究内容 | 第25-28页 |
| 1.6 本文结构安排 | 第28-30页 |
| 第2章 低秩和稀疏嵌入的鲁棒性子空间学习框架 | 第30-52页 |
| 2.1 引言 | 第30-32页 |
| 2.2 相关工作介绍 | 第32-34页 |
| 2.2.1 稀疏表示 | 第32-33页 |
| 2.2.2 低秩表示 | 第33-34页 |
| 2.3 低秩和稀疏嵌入框架 | 第34-39页 |
| 2.3.1 低秩和稀疏嵌入的思想 | 第34页 |
| 2.3.2 低秩和稀疏嵌入的框架 | 第34-35页 |
| 2.3.3 线性函数的定义 | 第35-36页 |
| 2.3.4 不同目标函数的讨论 | 第36-37页 |
| 2.3.5 优化算法 | 第37-38页 |
| 2.3.6 计算复杂度和收敛性分析 | 第38-39页 |
| 2.4 实验及其分析 | 第39-49页 |
| 2.4.1 人脸库Extended Yale B上的实验 | 第40页 |
| 2.4.2 人脸库AR上的实验 | 第40-43页 |
| 2.4.3 人脸库Feret上的实验 | 第43页 |
| 2.4.4 目标库COIL20上的实验 | 第43-46页 |
| 2.4.5 关于算法鲁棒性的实验评估 | 第46页 |
| 2.4.6 实验结果分析 | 第46-48页 |
| 2.4.7 参数选择 | 第48-49页 |
| 2.5 对算法的一些讨论 | 第49-51页 |
| 2.6 本章小结 | 第51-52页 |
| 第3章 基于非负稀疏图的半监督聚类 | 第52-70页 |
| 3.1 引言 | 第52-54页 |
| 3.2 相关工作介绍 | 第54-55页 |
| 3.2.1 灵活的流形嵌入 | 第54-55页 |
| 3.2.2 局部的坐标编码 | 第55页 |
| 3.3 非负稀疏图学习及其应用 | 第55-57页 |
| 3.3.1 非负稀疏图学习 | 第55-56页 |
| 3.3.2 基于非负稀疏图的半监督学习 | 第56-57页 |
| 3.4 优化算法 | 第57-58页 |
| 3.5 算法分析 | 第58-60页 |
| 3.5.1 与基于图的算法之间的联系 | 第58-59页 |
| 3.5.2 与线性回归算法之间的联系 | 第59页 |
| 3.5.3 收敛性分析 | 第59-60页 |
| 3.5.4 复杂度分析 | 第60页 |
| 3.6 实验及其分析 | 第60-69页 |
| 3.6.1 数据集描述 | 第60-61页 |
| 3.6.2 不同图的可视化 | 第61页 |
| 3.6.3 不同图的半监督分类 | 第61-64页 |
| 3.6.4 半监督分类和新样本分类 | 第64-66页 |
| 3.6.5 参数敏感性与算法收敛性分析 | 第66-69页 |
| 3.7 本章小结 | 第69-70页 |
| 第4章 正则化的标签松弛线性回归和基于稀疏约束的鲁棒性正则化的标签松弛线性回归 | 第70-90页 |
| 4.1 引言 | 第70-73页 |
| 4.2 正则化的标签松弛线性回归和基于稀疏约束的鲁棒性正则化的标签松弛线性回归 | 第73-78页 |
| 4.2.1 符号解释 | 第73页 |
| 4.2.2 正则化的标签松弛线性回归 | 第73-76页 |
| 4.2.3 鲁棒性正则化的标签松弛线性回归 | 第76-78页 |
| 4.3 算法分析 | 第78-80页 |
| 4.3.1 计算复杂度分析 | 第78页 |
| 4.3.2 收敛性分析 | 第78-79页 |
| 4.3.3 相似方法之间的比较 | 第79-80页 |
| 4.4 实验及其分析 | 第80-88页 |
| 4.4.1 数据库介绍和实验设定 | 第80-81页 |
| 4.4.2 实验结果和分析 | 第81-86页 |
| 4.4.3 参数敏感性与算法收敛性 | 第86-87页 |
| 4.4.4 不同算法运行时间比较 | 第87页 |
| 4.4.5 平均优化时间分析 | 第87-88页 |
| 4.5 本章小结 | 第88-90页 |
| 第5章 基于稀疏约束的局部和相似性保持的特征选择 | 第90-107页 |
| 5.1 引言 | 第90-92页 |
| 5.2 相关工作介绍 | 第92-94页 |
| 5.2.1 近邻保持嵌入 | 第93页 |
| 5.2.2 稀疏保持投影 | 第93-94页 |
| 5.3 基于稀疏约束的局部和相似性保持嵌入的特征选择 | 第94-97页 |
| 5.3.1 目标函数 | 第94-95页 |
| 5.3.2 优化算法 | 第95-97页 |
| 5.4 算法分析 | 第97-99页 |
| 5.4.1 收敛性分析 | 第97-98页 |
| 5.4.2 相似方法之间的比较 | 第98-99页 |
| 5.5 实验及其分析 | 第99-106页 |
| 5.5.1 K-means和LDMGI的聚类结果 | 第99-103页 |
| 5.5.2 NN和MKL方法的分类结果 | 第103-105页 |
| 5.5.3 参数选择 | 第105-106页 |
| 5.6 本章小结 | 第106-107页 |
| 第6章 基于非负低秩表示的鲁棒性半监督子空间聚类 | 第107-119页 |
| 6.1 引言 | 第107-108页 |
| 6.2 相关工作介绍 | 第108-109页 |
| 6.3 非负的低秩表示 | 第109-112页 |
| 6.3.1 算法思想 | 第109页 |
| 6.3.2 目标函数 | 第109-110页 |
| 6.3.3 优化算法 | 第110-112页 |
| 6.4 实验及其分析 | 第112-117页 |
| 6.4.1 Yale人脸库上的实验 | 第112-113页 |
| 6.4.2 AR人脸数据集上的实验 | 第113-115页 |
| 6.4.3 COIL20目标数据集上的实验 | 第115页 |
| 6.4.4 Extended Yale B人脸数据集上的实验 | 第115-116页 |
| 6.4.5 不同噪声数据集上的实验 | 第116页 |
| 6.4.6 实验结果分析 | 第116-117页 |
| 6.5 本章小结 | 第117-119页 |
| 结论 | 第119-122页 |
| 参考文献 | 第122-136页 |
| 攻读博士学位期间发表的论文及其他成果 | 第136-139页 |
| 致谢 | 第139-140页 |
| 个人简历 | 第140页 |
