| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-10页 |
| 1 引言 | 第10-20页 |
| ·非负矩阵分解算法(NMF)的提出和应用 | 第10-14页 |
| ·国内外研究现状 | 第14-15页 |
| ·研究内容和目的 | 第15-16页 |
| ·NMF算法的应用领域 | 第16-18页 |
| ·图像处理和模式识别 | 第16-17页 |
| ·文本聚类和数据挖掘 | 第17页 |
| ·语音识别 | 第17页 |
| ·NMF研究总结 | 第17-18页 |
| ·论文结构及章节安排 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 2 非负矩阵分解算法(NMF) | 第20-29页 |
| ·NMF算法概述 | 第21-24页 |
| ·NMF的定义和原理 | 第22-23页 |
| ·NMF的目标函数和KKT条件 | 第23-24页 |
| ·NMF优化算法的研究 | 第24-27页 |
| ·本章小结 | 第27-29页 |
| 3 基于多核学习的投影非负矩阵分解算法(MKPNMF) | 第29-40页 |
| ·相关工作 | 第29-31页 |
| ·投影非负矩阵分解算法 | 第29-30页 |
| ·基于核函数的投影非负矩阵分解算法 | 第30-31页 |
| ·MKPNMF算法详述 | 第31-33页 |
| ·实验结果及讨论 | 第33-38页 |
| ·实验数据及说明 | 第33-34页 |
| ·参数设定、比较算法及度量标准 | 第34-35页 |
| ·实验结果展示及解释 | 第35-38页 |
| ·本章小结 | 第38-40页 |
| 4 自适应图约束的半监督非负矩阵分解算法(GCNMF) | 第40-53页 |
| ·相关工作 | 第41-43页 |
| ·GCNMF算法详述 | 第43-48页 |
| ·实验结果及讨论 | 第48-52页 |
| ·数据集说明和对比方法 | 第48-49页 |
| ·实验结果及分析 | 第49-50页 |
| ·标记样本数量对实验结果的影响 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 5 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 作者简历 | 第58-60页 |
| 学位论文数据集 | 第60页 |