摘要 | 第5-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第11-18页 |
1.1 概述 | 第11-12页 |
1.2 研究背景及现状 | 第12-14页 |
1.3 论文主要工作 | 第14-16页 |
1.4 文章内容安排 | 第16-18页 |
第2章 相关工作 | 第18-23页 |
2.1 Ho-Kashyap算法 | 第18-19页 |
2.2 Ho-Kashyap修正算法 | 第19页 |
2.3 矩阵化Ho-Kashyap修正算法 | 第19-21页 |
2.4 多视角下的Ho-Kashyap修正算法 | 第21页 |
2.5 正则化多视角下的Ho-Kashyap修正算法 | 第21-23页 |
第3章 多结构Ho-Kashyap修正算法 | 第23-42页 |
3.1 引言 | 第23页 |
3.2 三层结构的Ho-Kashyap修正算法模型 | 第23-27页 |
3.2.1 数据准备 | 第23-25页 |
3.2.2 模型实现 | 第25页 |
3.2.3 模型推导 | 第25-27页 |
3.3 实验结果分析 | 第27-41页 |
3.3.1 实验设置 | 第27页 |
3.3.2 人工数据集 | 第27-29页 |
3.3.3 UCI数据集 | 第29-38页 |
3.3.4 图像数据集 | 第38-41页 |
3.4 本章小结 | 第41-42页 |
第4章 双重局部化多矩阵学习机 | 第42-69页 |
4.1 引言 | 第42-45页 |
4.2 双重局部化多矩阵学习机模型 | 第45-49页 |
4.2.1 模型实现 | 第45-47页 |
4.2.2 模型推导 | 第47-49页 |
4.3 实验结果分析 | 第49-67页 |
4.3.1 实验设置 | 第50-54页 |
4.3.2 人工数据集 | 第54-55页 |
4.3.3 UCI数据集 | 第55-57页 |
4.3.4 图像数据集 | 第57-63页 |
4.3.5 进一步讨论 | 第63-67页 |
4.4 本章小结 | 第67-69页 |
第5章 多信息多矩阵分类器 | 第69-89页 |
5.1 引言 | 第69-70页 |
5.2 具有五方面模式信息的多矩阵分类器模型 | 第70-75页 |
5.2.1 模型实现 | 第70-72页 |
5.2.2 模型推导 | 第72-75页 |
5.3 实验结果分析 | 第75-87页 |
5.3.1 实验设置 | 第76-80页 |
5.3.2 分类正确率比较 | 第80-82页 |
5.3.3 训练和测试时间比较 | 第82-83页 |
5.3.4 进一步讨论 | 第83-87页 |
5.4 本章小结 | 第87-89页 |
第6章 基于结构风险最小化的分类器设计算法 | 第89-129页 |
6.1 引言 | 第89-91页 |
6.2 全局和局部结构风险最小化的分类器模型 | 第91-98页 |
6.2.1 分类器的提出 | 第91-92页 |
6.2.2 数据准备 | 第92页 |
6.2.3 模型实现 | 第92-94页 |
6.2.4 模型推导 | 第94-98页 |
6.3 实验结果分析 | 第98-128页 |
6.3.1 实验设置 | 第99-103页 |
6.3.2 人工数据集 | 第103-108页 |
6.3.3 UCI数据集 | 第108-117页 |
6.3.4 图像数据集 | 第117-119页 |
6.3.5 视频数据集 | 第119-120页 |
6.3.6 进一步讨论 | 第120-128页 |
6.4 本章小结 | 第128-129页 |
第7章 多因素核聚类方法 | 第129-140页 |
7.1 引言 | 第129-130页 |
7.2 多因素核聚类修正算法模型 | 第130-134页 |
7.2.1 方法基础 | 第130页 |
7.2.2 模型因素 | 第130-133页 |
7.2.3 模型实现 | 第133-134页 |
7.3 实验结果分析 | 第134-139页 |
7.3.1 实验设置 | 第135-137页 |
7.3.2 聚类方法性能比较 | 第137页 |
7.3.3 因素影响 | 第137-139页 |
7.4 本章小结 | 第139-140页 |
第8章 结束语 | 第140-142页 |
8.1 本文工作总结 | 第140-141页 |
8.2 研究工作展望 | 第141-142页 |
参考文献 | 第142-150页 |
攻读博士学位期间完成的论文和科研成果 | 第150-152页 |
致谢 | 第152页 |