| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-7页 |
| 1 绪论 | 第11-23页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 图像特征表达的研究现状 | 第13-16页 |
| 1.2.2 图像分类的研究现状 | 第16-19页 |
| 1.3 论文的研究内容与创新点 | 第19-21页 |
| 1.4 论文结构安排 | 第21-23页 |
| 2 基础理论及原理介绍 | 第23-35页 |
| 2.1 稀疏模型 | 第23-25页 |
| 2.2 低秩模型 | 第25-27页 |
| 2.3 超限学习机 | 第27-30页 |
| 2.4 图与图半监督学习 | 第30-33页 |
| 2.5 本章小结 | 第33-35页 |
| 3 基于鲁棒加权群稀疏表示的图像特征提取 | 第35-55页 |
| 3.1 引言 | 第35页 |
| 3.2 相关原理及研究动机 | 第35-39页 |
| 3.3 基于鲁棒加权群稀疏表示的特征提取 | 第39-41页 |
| 3.4 模型优化 | 第41-43页 |
| 3.5 实验验证 | 第43-54页 |
| 3.5.1 参数设置与分析 | 第43-45页 |
| 3.5.2 算法在图像数据集上的性能评估 | 第45-50页 |
| 3.5.3 算法在噪声数据集上的性能评估 | 第50-54页 |
| 3.6 本章小结 | 第54-55页 |
| 4 基于块对角低秩稀疏表示的图像特征提取 | 第55-71页 |
| 4.1 引言 | 第55页 |
| 4.2 相关原理及研究动机 | 第55-56页 |
| 4.3 基于块对角低秩稀疏表示的特征提取 | 第56-59页 |
| 4.4 模型优化 | 第59-62页 |
| 4.4.1 块对角低秩稀疏表示模型优化 | 第59-61页 |
| 4.4.2 块对角低秩稀疏图嵌入模型优化 | 第61-62页 |
| 4.5 实验结果与分析 | 第62-70页 |
| 4.5.1 BLSE算法分析 | 第62-63页 |
| 4.5.2 二维可视化分析 | 第63-64页 |
| 4.5.3 图像数据库上的实验 | 第64-70页 |
| 4.6 本章小结 | 第70-71页 |
| 5 基于标签与局部约束的低秩图学习 | 第71-85页 |
| 5.1 引言 | 第71页 |
| 5.2 相关原理及研究动机 | 第71-74页 |
| 5.3 标签与局部约束的低秩图学习 | 第74-79页 |
| 5.3.1 模型提出 | 第74-76页 |
| 5.3.2 模型优化 | 第76-78页 |
| 5.3.3 算法复杂度以及收敛性 | 第78-79页 |
| 5.4 实验结果与分析 | 第79-83页 |
| 5.4.1 参数敏感性与算法收敛性分析 | 第79-81页 |
| 5.4.2 半监督分类实验 | 第81-83页 |
| 5.5 本章小结 | 第83-85页 |
| 6 神经元剪枝鉴别超限学习机及其分层学习 | 第85-107页 |
| 6.1 引言 | 第85页 |
| 6.2 相关原理及研究动机 | 第85-90页 |
| 6.3 鉴别超限学习机 | 第90-91页 |
| 6.3.1 模型提出 | 第90页 |
| 6.3.2 模型优化 | 第90-91页 |
| 6.4 基于神经元剪枝的鉴别超限学习机 | 第91-95页 |
| 6.4.1 模型提出 | 第91-92页 |
| 6.4.2 模型优化 | 第92-95页 |
| 6.5 基于神经元剪枝的多层鉴别超限学习机 | 第95-97页 |
| 6.5.1 模型提出 | 第95-96页 |
| 6.5.2 模型优化 | 第96-97页 |
| 6.6 实验结果与分析 | 第97-105页 |
| 6.6.1 鉴别超限学习性能分析 | 第97-100页 |
| 6.6.2 基于神经元剪枝的鉴别超限学习机性能分析 | 第100-104页 |
| 6.6.3 基于神经元剪枝的多层鉴别超限学习机性能分析 | 第104-105页 |
| 6.7 本章小结 | 第105-107页 |
| 7 总结与展望 | 第107-109页 |
| 7.1 论文工作总结 | 第107-108页 |
| 7.2 下一步研究展望 | 第108-109页 |
| 致谢 | 第109-111页 |
| 参考文献 | 第111-121页 |
| 附录 | 第121-122页 |
| A. 作者在攻读学位期间发表或在审的论文目录 | 第121页 |
| B. 作者在攻读学位期间已申请专利 | 第121页 |
| C. 作者在攻读学位期间承担或参与的科研项目目录 | 第121-122页 |