| 中文摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第15-31页 |
| 1.1 选题背景与研究意义 | 第15-17页 |
| 1.1.1 研究背景 | 第15-16页 |
| 1.1.2 研究意义 | 第16-17页 |
| 1.2 国内外研究进展 | 第17-26页 |
| 1.2.1 信息融合研究现状述评 | 第17-19页 |
| 1.2.2 基于机器学习的信息融合研究现状述评 | 第19-25页 |
| 1.2.3 存在的主要问题 | 第25-26页 |
| 1.3 研究内容与论文框架 | 第26-29页 |
| 1.3.1 主要研究内容 | 第26-27页 |
| 1.3.2 论文结构 | 第27-29页 |
| 1.4 论文主要创新点 | 第29-31页 |
| 2 信息融合相关理论 | 第31-45页 |
| 2.1 信息融合概念与原理 | 第31-35页 |
| 2.1.1 信息融合概念 | 第31-32页 |
| 2.1.2 信息融合原理 | 第32-35页 |
| 2.2 信息融合策略 | 第35-37页 |
| 2.2.1 早期融合 | 第35-36页 |
| 2.2.2 中期融合 | 第36页 |
| 2.2.3 后期融合 | 第36-37页 |
| 2.3 子空间学习理论 | 第37-44页 |
| 2.3.1 多视角谱聚类 | 第37-40页 |
| 2.3.2 联接的多视角非负矩阵分解 | 第40-41页 |
| 2.3.3 一致的多视角非负矩阵分解 | 第41-43页 |
| 2.3.4 基于多图的信息融合 | 第43-44页 |
| 2.4 本章小结 | 第44-45页 |
| 3 基于对称非负矩阵分解的信息融合模型 | 第45-65页 |
| 3.1 对称非负矩阵分解 | 第45-47页 |
| 3.1.1 相似性度量 | 第45-46页 |
| 3.1.2 目标函数与优化 | 第46-47页 |
| 3.2 SNMF与核K均值聚类、谱聚类的等效性 | 第47-52页 |
| 3.2.1 核K均值聚类 | 第47-48页 |
| 3.2.2 谱聚类 | 第48-49页 |
| 3.2.3 实例 | 第49-52页 |
| 3.3 基于对称非负矩阵分解的聚类融合模型 | 第52-56页 |
| 3.3.1 建模思想 | 第52-53页 |
| 3.3.2 基本假设和一致性矩阵表述 | 第53页 |
| 3.3.3 基于对称非负矩阵分解的聚类融合模型的建立 | 第53-55页 |
| 3.3.4 算法优化 | 第55-56页 |
| 3.4 实例分析与讨论 | 第56-63页 |
| 3.4.1 数据集描述与预处理 | 第56-57页 |
| 3.4.2 实验结果 | 第57-59页 |
| 3.4.3 分析与讨论 | 第59-63页 |
| 3.5 本章小结 | 第63-65页 |
| 4 考虑图正则化的对称非负矩阵分解信息融合模型 | 第65-97页 |
| 4.1 正则化思想 | 第65-69页 |
| 4.1.1 正则化理论 | 第66-67页 |
| 4.1.2 图正则化框架 | 第67-69页 |
| 4.2 基于LAPLACIAN正则化的对称非负矩阵分解融合模型 | 第69-81页 |
| 4.2.1 建模思想概述 | 第69-70页 |
| 4.2.2 基本假设 | 第70页 |
| 4.2.3 基于Laplacian正则化的对称非负矩阵分解融合模型 | 第70-73页 |
| 4.2.4 算法优化 | 第73-74页 |
| 4.2.5 实例分析与讨论 | 第74-81页 |
| 4.3 基于HESSIAN正则化的对称非负矩阵分解融合模型 | 第81-92页 |
| 4.3.1 建模思想概述 | 第82页 |
| 4.3.2 基本假设和定义 | 第82-84页 |
| 4.3.3 基于Hessian正则化的对称非负矩阵分解融合模型 | 第84页 |
| 4.3.4 算法优化 | 第84-87页 |
| 4.3.5 实例分析与讨论 | 第87-92页 |
| 4.4 基于对称非负矩阵分解的预测模型 | 第92-95页 |
| 4.4.1 基于对称非负矩阵分解的实时样本预测模型 | 第92-93页 |
| 4.4.2 实验分析与讨论 | 第93-95页 |
| 4.5 本章小结 | 第95-97页 |
| 5 SNMF融合模型在跨模态信息检索中的应用 | 第97-115页 |
| 5.1 跨模态信息检索 | 第97-102页 |
| 5.1.1 相关研究 | 第98-100页 |
| 5.1.2 基于SNMF融合模型的跨模态检索框架 | 第100-102页 |
| 5.2 数据集描述与预处理 | 第102-104页 |
| 5.2.1 数据集描述 | 第102-103页 |
| 5.2.2 预处理与标准化 | 第103页 |
| 5.2.3 评价指标 | 第103-104页 |
| 5.3 结果验证与分析 | 第104-112页 |
| 5.3.1 MAP指标上的性能表现 | 第104-106页 |
| 5.3.2 PR指标上的表现 | 第106-108页 |
| 5.3.3 其它指标上的表现 | 第108-112页 |
| 5.4 现实问题与对策 | 第112-114页 |
| 5.4.1 最优的聚类结构与最优的关联 | 第112页 |
| 5.4.2 较小的重构误差与较好的关联 | 第112-113页 |
| 5.4.3 低层的关联与抽象层的关联 | 第113页 |
| 5.4.4 流形学习与实时样本上的泛化 | 第113-114页 |
| 5.5 本章小结 | 第114-115页 |
| 6 总结与展望 | 第115-118页 |
| 6.1 本文工作总结 | 第115-116页 |
| 6.2 下一步研究展望 | 第116-118页 |
| 参考文献 | 第118-128页 |
| 在校期间发表的论文、科研成果等 | 第128-129页 |
| 致谢 | 第129页 |
