| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 背景介绍 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文主要研究内容和组织结构 | 第11-12页 |
| 第二章 稀疏表示中相关算法 | 第12-25页 |
| 2.1 符号说明 | 第12页 |
| 2.2 0-范数稀疏分解模型 | 第12-15页 |
| 2.2.1 匹配追踪算法(Matching Pursuit Algorithm) | 第13页 |
| 2.2.2 正交匹配追踪算法(Orthogonal Matching Pursuit Algorithm) | 第13-14页 |
| 2.2.3 迭代硬阈值算法 (Iterative Hard Thresholding) | 第14-15页 |
| 2.3 1-范数稀疏重构问题 | 第15-18页 |
| 2.3.1 Lasso坐标下降算法（Lasso Coordinate Descent Algorithm） | 第16页 |
| 2.3.2 近似梯度算法-迭代软阈值 | 第16-17页 |
| 2.3.3 同伦算法 (Homotopy) | 第17-18页 |
| 2.4 字典学习算法 | 第18-23页 |
| 2.4.1 最优方向算法(Method of Optimal Directions) | 第19-20页 |
| 2.4.2 块坐标下降算法 (Block Coordinate Descent) | 第20页 |
| 2.4.3 K-SVD算法 | 第20-22页 |
| 2.4.4 有效稀疏编码算法（Efficient Sparse Coding Algorithm） | 第22-23页 |
| 2.5 用于分类的字典学习算法 | 第23-25页 |
| 第三章 判别的结构化字典学习算法 | 第25-33页 |
| 3.1 算法基本思想 | 第25-26页 |
| 3.2 对DSDL的初始化 | 第26-27页 |
| 3.3 分类方法 | 第27页 |
| 3.4 数字实验 | 第27-33页 |
| 3.4.1 Extended YaleB Database | 第28-29页 |
| 3.4.2 AR DataBase | 第29-30页 |
| 3.4.3 MNIST Dataset | 第30-31页 |
| 3.4.4 Calth101 DataBase | 第31-33页 |
| 第四章 用于大规模数据的在线字典学习 | 第33-39页 |
| 4.1 随机梯度下降算法 （SGD） | 第33页 |
| 4.2 在线字典学习算法（Online Dictionary Learning） | 第33-34页 |
| 4.3 在线半监督字典学习算法 | 第34-39页 |
| 4.3.1 数值实验 | 第37-39页 |
| 第五章 本文总结及展望 | 第39-40页 |
| 5.1 总结 | 第39页 |
| 5.2 展望 | 第39-40页 |
| 参考文献 | 第40-43页 |
| 发表论文和参加科研情况说明 | 第43-44页 |
| 致谢 | 第44-45页 |
