| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-26页 |
| 1.1 引言 | 第13-14页 |
| 1.2 线性特征抽取方法的研究与发展 | 第14-16页 |
| 1.2.1 主成分分析概述 | 第14-15页 |
| 1.2.2 线性鉴别分析概述 | 第15-16页 |
| 1.3 非线性特征抽取方法的研究与发展 | 第16-19页 |
| 1.3.1 基于核技术的特征抽取方法 | 第17页 |
| 1.3.2 基于流形学习的特征抽取方法 | 第17-18页 |
| 1.3.3 基于稀疏学习的特征抽取方法 | 第18-19页 |
| 1.4 多视图相关投影分析概述 | 第19-22页 |
| 1.4.1 典型相关分析研究与发展 | 第19-21页 |
| 1.4.2 多重集典型相关分析研究与发展 | 第21-22页 |
| 1.5 本文的主要研究工作和内容安排 | 第22-24页 |
| 1.6 本文工作的创新点 | 第24-26页 |
| 2 基于稀疏表示的正则化半监督判别典型相关分析 | 第26-39页 |
| 2.1 引言 | 第26-27页 |
| 2.2 典型相关分析及其拓展方法介绍 | 第27-29页 |
| 2.2.1 典型相关分析 | 第27页 |
| 2.2.2 判别型典型相关分析 | 第27-28页 |
| 2.2.3 广义典型相关分析 | 第28-29页 |
| 2.2.4 半监督典型相关分析 | 第29页 |
| 2.3 图嵌入降维 | 第29-30页 |
| 2.3.1 图构造过程 | 第29-30页 |
| 2.3.2 图嵌入形式 | 第30页 |
| 2.4 基于稀疏表示的正则化半监督判别典型相关分析 | 第30-34页 |
| 2.4.1 DCCA在小样本问题中的处理 | 第30-31页 |
| 2.4.2 l_1-图及正则化矩阵 | 第31-32页 |
| 2.4.3 SrSDCC模型构建 | 第32-33页 |
| 2.4.4 模型求解 | 第33-34页 |
| 2.5 实验结果与分析 | 第34-38页 |
| 2.5.1 在Extended Yale B数据库上的实验 | 第34-36页 |
| 2.5.2 在CUM PIE数据库上的实验 | 第36-37页 |
| 2.5.3 在AR数据库上的实验 | 第37-38页 |
| 2.6 小结 | 第38-39页 |
| 3 基于模糊隶属度的广义典型相关分析 | 第39-52页 |
| 3.1 引言 | 第39页 |
| 3.2 基于模糊隶属度的广义典型相关分析 | 第39-43页 |
| 3.2.1 模糊隶属度计算 | 第40-41页 |
| 3.2.2 构建模糊类内散布矩阵 | 第41页 |
| 3.2.3 MGCCA模型构建与求解 | 第41-43页 |
| 3.3 核MGCCA | 第43-46页 |
| 3.3.1 正定核MGCCA | 第43-45页 |
| 3.3.2 不定核MGCCA | 第45-46页 |
| 3.4 实验结果分析 | 第46-51页 |
| 3.4.1 在AT&T人脸数据库上的实验 | 第46-48页 |
| 3.4.2 在Yale人脸数据库上的实验 | 第48-49页 |
| 3.4.3 在MFD数据库上的实验 | 第49-51页 |
| 3.5 小结 | 第51-52页 |
| 4 基于P-SSOR迭代算法的多重集典型相关分析 | 第52-66页 |
| 4.1 引言 | 第52-53页 |
| 4.2 相关方法介绍 | 第53-55页 |
| 4.2.1 P-SSOR迭代算法 | 第53-54页 |
| 4.2.2 多重集典型相关分析 | 第54-55页 |
| 4.3 基于P-SSOR的多重集典型相关分析 | 第55-58页 |
| 4.3.1 多重集典型相关分析的等价形式 | 第55-56页 |
| 4.3.2 PssorMCC迭代算法的描述 | 第56-58页 |
| 4.4 实验结果分析 | 第58-65页 |
| 4.4.1 在MFD数据集上的实验 | 第58-60页 |
| 4.4.2 在CENPARMI手写体数据库上的实验 | 第60-62页 |
| 4.4.3 在COIL-20数据库上的实验 | 第62-64页 |
| 4.4.4 在AT&T人脸数据库上的实验 | 第64-65页 |
| 4.5 小结 | 第65-66页 |
| 5 基于边界的线性鉴别多重集典型相关分析 | 第66-79页 |
| 5.1 引言 | 第66-67页 |
| 5.2 基于LDA的多重集典型相关分析 | 第67-68页 |
| 5.3 基于边界的线性鉴别多重集典型相关分析 | 第68-72页 |
| 5.3.1 局部类内散布矩阵的构造 | 第68-69页 |
| 5.3.2 局部类间散布矩阵的构造 | 第69-70页 |
| 5.3.3 MLDMCC模型构建与求解 | 第70-71页 |
| 5.3.4 MLDMCC算法描述 | 第71-72页 |
| 5.4 实验结果与分析 | 第72-77页 |
| 5.4.1 数据集与特征表示 | 第72-73页 |
| 5.4.2 对象种类识别 | 第73-75页 |
| 5.4.3 人脸图像识别 | 第75-77页 |
| 5.5 小结 | 第77-79页 |
| 6 基于MEP算法的多重集整体典型相关分析拓展模型 | 第79-99页 |
| 6.1 引言 | 第79-80页 |
| 6.2 相关工作 | 第80-84页 |
| 6.2.1 多重集整体典型相关分析 | 第80-81页 |
| 6.2.2 核典型相关分析 | 第81-82页 |
| 6.2.3 核多重集典型相关分析 | 第82-83页 |
| 6.2.4 核多重集整体典型相关分析 | 第83-84页 |
| 6.3 监督的多重集整体典型相关分析框架 | 第84-88页 |
| 6.3.1 判别型的多重集整体典型相关分析 | 第84-87页 |
| 6.3.2 广义多重集整体典型相关分析 | 第87-88页 |
| 6.4 实验结果与分析一 | 第88-93页 |
| 6.4.1 在Extended Yale B数据库上的实验 | 第89-90页 |
| 6.4.2 在AT&T数据库上的实验 | 第90-91页 |
| 6.4.3 在COIL-20数据库上的实验 | 第91-93页 |
| 6.5 基于多核学习的多重集整体典型相关分析 | 第93-96页 |
| 6.5.1 多核学习方法 | 第93页 |
| 6.5.2 MKMICCA的模型构建 | 第93-94页 |
| 6.5.3 模型求解 | 第94-96页 |
| 6.6 实验结果分析二 | 第96-98页 |
| 6.6.1 核函数描述 | 第96-97页 |
| 6.6.2 在MFD数据库上的实验 | 第97页 |
| 6.6.3 在AT&T数据库上的实验 | 第97-98页 |
| 6.7 小结 | 第98-99页 |
| 7 结束语 | 第99-102页 |
| 7.1 本文工作总结 | 第99-100页 |
| 7.2 未来工作展望 | 第100-102页 |
| 致谢 | 第102-103页 |
| 参考文献 | 第103-115页 |
| 附录 | 第115-116页 |
