| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-11页 |
| 1 引言 | 第11-18页 |
| ·论文的研究背景和意义 | 第11-12页 |
| ·多视角分析的研究现状 | 第12-16页 |
| ·协同训练(Co-training) | 第13-14页 |
| ·多核学(Multiple Kernel Learning) | 第14-15页 |
| ·共享子空间方法(Shared Subspace) | 第15-16页 |
| ·本文的研究工作 | 第16页 |
| ·论文的安排 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 2 基于共享子空间学习的多视角分析方法 | 第18-25页 |
| ·基本概念 | 第18页 |
| ·基于投影(Projection Based)的共享子空间方法 | 第18-23页 |
| ·典型相关分析(Canonical Correlation Analysis) | 第18-21页 |
| ·偏最小二乘分析(Partial Least Squares) | 第21-23页 |
| ·基于因子分解(Factorization Based)的共享子空间分析方法 | 第23-24页 |
| ·多输出正则投影 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 3 局部结构保持的判别多视角分析 | 第25-32页 |
| ·局部结构保持的多视角分析 | 第25-27页 |
| ·判别多视角分析 | 第27-28页 |
| ·实验结果与分析 | 第28-31页 |
| ·数据集和实验设置 | 第28页 |
| ·实验结果分析 | 第28-30页 |
| ·模型参数影响 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 4 基于广义奇异值分解的共享子空间分析 | 第32-41页 |
| ·模型建立 | 第32-33页 |
| ·广义奇异值分解 | 第32页 |
| ·基于广义奇异值分解的共享子空间分析 | 第32-33页 |
| ·广义奇异值分解问题解的结构分析 | 第33-35页 |
| ·在线问题的求解 | 第35-37页 |
| ·问题描述 | 第35页 |
| ·在线扩展原理 | 第35-37页 |
| ·实验结果与分析 | 第37-40页 |
| ·性能比较与分析 | 第37-39页 |
| ·在线扩展性能分析 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 5 广义典型相关性分析 | 第41-46页 |
| ·模型建立 | 第41-42页 |
| ·模型求解 | 第42-44页 |
| ·实验结果与分析 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 6 总结 | 第46-47页 |
| ·工作总结 | 第46页 |
| ·工作展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 作者简历 | 第50-52页 |
| 学位论文数据集 | 第52页 |
