| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 子空间学习面临的问题和挑战 | 第14-17页 |
| 1.3 本文的研究内容 | 第17-18页 |
| 1.4 本文的组织结构 | 第18-20页 |
| 2 子空间学习研究现状 | 第20-39页 |
| 2.1 主成份分析、fisher线性判别分析、支持向量机及线性回归 | 第20-26页 |
| 2.2 岭回归 | 第26-27页 |
| 2.3 LASSO（Least absolute shrinkage and selection operator） | 第27-28页 |
| 2.4 结构稀疏回归 | 第28-29页 |
| 2.5 偏最小二乘方法 | 第29-30页 |
| 2.6 字典学习 | 第30-31页 |
| 2.7 ?_2范数约束的核线性回归 | 第31-33页 |
| 2.8 支持向量回归（SVR） | 第33-34页 |
| 2.9 稀疏核线性回归 | 第34-38页 |
| 2.10 本章小结 | 第38-39页 |
| 3 鲁棒线性判别分析 | 第39-49页 |
| 3.1 引言 | 第39-40页 |
| 3.2 Laplacian分布数据的最优降维准则 | 第40-42页 |
| 3.3 鲁棒线性判别分析模型 | 第42-45页 |
| 3.4 实验仿真结果与分析 | 第45-48页 |
| 3.5 本章小结 | 第48-49页 |
| 4 方差约束的偏最小二乘 | 第49-75页 |
| 4.1 引言 | 第49-51页 |
| 4.2 偏最小二乘方法简介 | 第51-52页 |
| 4.3 单预测变量单响应变量的误差分析以及一种新的模型――VCPLS | 第52-58页 |
| 4.4 对比方法和实验数据 | 第58-60页 |
| 4.5 实验结果和讨论 | 第60-74页 |
| 4.6 本章小结 | 第74-75页 |
| 5 多任务多视角学习 | 第75-108页 |
| 5.1 相关工作 | 第75-77页 |
| 5.2 基于回归的多任务多视角学习模型 | 第77-81页 |
| 5.3 核多任务多视角学习模型 | 第81-83页 |
| 5.4 多任务多视角学习在视频跟踪中的应用 | 第83-106页 |
| 5.5 本章小结 | 第106-108页 |
| 6 结论 | 第108-110页 |
| 6.1 全文总结 | 第108-109页 |
| 6.2 展望 | 第109-110页 |
| 致谢 | 第110-112页 |
| 参考文献 | 第112-125页 |
| 附录1 攻读学位期间发表论文目录 | 第125-126页 |
| 附录2 偏最小二乘模型的等价性A | 第126-128页 |
| 附录3 偏最小二乘模型的等价性B | 第128-129页 |
| 附录4 循环矩阵的对角化 | 第129-131页 |
