| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 典型相关分析的研究现状 | 第11-14页 |
| 1.2.2 判别典型相关分析的研究现状 | 第14-15页 |
| 1.3 本文的主要研究工作 | 第15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第二章 经典算法的介绍 | 第17-23页 |
| 2.1 单视图特征抽取算法 | 第17-19页 |
| 2.1.1 主成分分析 | 第17页 |
| 2.1.2 线性鉴别分析 | 第17-18页 |
| 2.1.3 局部保持投影 | 第18-19页 |
| 2.2 多视图特征抽取方法 | 第19-23页 |
| 2.2.1 典型相关分析 | 第19-21页 |
| 2.2.2 判别典型相关分析 | 第21-23页 |
| 第三章 半监督数据的流形正则化判别典型相关分析 | 第23-33页 |
| 3.1 引言 | 第23页 |
| 3.2 相关工作 | 第23-25页 |
| 3.2.1 局部保持投影 | 第23-24页 |
| 3.2.2 典型相关分析 | 第24页 |
| 3.2.3 判别典型相关分析 | 第24-25页 |
| 3.3 半监督流形正则化判别典型相关分析 | 第25-27页 |
| 3.3.1 算法模型 | 第25-26页 |
| 3.3.2 模型求解 | 第26-27页 |
| 3.3.3 算法步骤 | 第27页 |
| 3.4 实验结果 | 第27-32页 |
| 3.4.1 多特征手写体数据集 | 第27-31页 |
| 3.4.2 人脸数据集 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 基于主成分分析的半监督判别典型相关分析 | 第33-43页 |
| 4.1 引言 | 第33-34页 |
| 4.2 相关工作 | 第34-35页 |
| 4.2.1 主成分分析 | 第34页 |
| 4.2.2 基于半监督学习有效的典型相关方法 | 第34-35页 |
| 4.3 基于PCA的半监督判别典型相关分析 | 第35-37页 |
| 4.3.1 算法模型 | 第35页 |
| 4.3.2 模型求解 | 第35-36页 |
| 4.3.3 算法步骤 | 第36-37页 |
| 4.4 实验结果 | 第37-42页 |
| 4.4.1 多特征手写体数据集 | 第37-41页 |
| 4.4.2 人脸数据集 | 第41-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 判别典型相关分析应用于半监督数据的两阶段法 | 第43-53页 |
| 5.1 引言 | 第43-44页 |
| 5.2 两阶段思想 | 第44-45页 |
| 5.2.1 算法执行示意图 | 第44-45页 |
| 5.2.2 算法步骤 | 第45页 |
| 5.3 与已有算法的比较和分析 | 第45-46页 |
| 5.3.1 与CCA的区别 | 第45页 |
| 5.3.2 与DCCA的区别 | 第45-46页 |
| 5.3.3 与LPCCA的区别 | 第46页 |
| 5.3.4 与LDCCA的区别 | 第46页 |
| 5.4 实验结果 | 第46-51页 |
| 5.4.1 多特征手写体数据集 | 第46-50页 |
| 5.4.2 人脸数据集 | 第50-51页 |
| 5.5 本章小结 | 第51-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 本文总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61-63页 |
| 攻读硕士期间发表的学术论文和参与的科研工作 | 第63-65页 |