基于半监督学习的子空间分析方法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 符号说明 | 第11-12页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 半监督学习研究背景 | 第12页 |
| 1.2 半监督学习研究意义 | 第12-13页 |
| 1.3 半监督学习国内外研究现状 | 第13-14页 |
| 1.4 人脸识别 | 第14-18页 |
| 1.4.1 人脸识别的结构 | 第14-15页 |
| 1.4.2 人脸识别的研究方法 | 第15-17页 |
| 1.4.3 人脸识别研究的技术挑战 | 第17-18页 |
| 1.5 本文研究的主要内容 | 第18-19页 |
| 1.6 本文内容的安排 | 第19-20页 |
| 第二章 半监督学习综述 | 第20-26页 |
| 2.1 引言 | 第20页 |
| 2.2 有监督和无监督学习 | 第20-21页 |
| 2.3 半监督学习概念及数学描述 | 第21-22页 |
| 2.3.1 半监督学习概念 | 第21页 |
| 2.3.2 半监督学习数学描述 | 第21-22页 |
| 2.4 半监督学习典型算法 | 第22-25页 |
| 2.4.1 自我训练 | 第22页 |
| 2.4.2 协同训练 | 第22-23页 |
| 2.4.3 基于图的方法 | 第23-24页 |
| 2.4.4 直推式支持向量机 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 人脸数据降维及子空间分析概述 | 第26-34页 |
| 3.1 引言 | 第26-27页 |
| 3.2 线性子空间降维算法 | 第27-28页 |
| 3.2.1 主成分分析 | 第27-28页 |
| 3.2.2 线性鉴别分析 | 第28页 |
| 3.3 非线性子空间降维算法 | 第28-33页 |
| 3.3.1 局部保持投影 | 第28-30页 |
| 3.3.2 局部线性嵌入 | 第30-31页 |
| 3.3.3 拉普拉斯特征映射 | 第31-32页 |
| 3.3.4 等距映射 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 自适应近邻选择的半监督降维算法 | 第34-42页 |
| 4.1 引言 | 第34-35页 |
| 4.2 无监督判别投影 | 第35-36页 |
| 4.3 自适应近邻选择的半监督降维算法 | 第36-37页 |
| 4.3.1 自适应近邻选择算法 | 第36-37页 |
| 4.3.2 自适应近邻选择半监督算法 | 第37页 |
| 4.3.3 算法步骤 | 第37页 |
| 4.4 实验结果与分析 | 第37-41页 |
| 4.4.1 实验1与分析 | 第38-39页 |
| 4.4.2 实验2与分析 | 第39-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 局部重构和非相似度保持的半监督降维算法 | 第42-50页 |
| 5.1 引言 | 第42-43页 |
| 5.2 Fisher鉴别分析算法 | 第43-44页 |
| 5.3 局部重构和非相似度保持算法 | 第44-46页 |
| 5.3.1 局部重构误差 | 第44页 |
| 5.3.2 非相似度保持 | 第44-45页 |
| 5.3.3 算法介绍 | 第45-46页 |
| 5.4 实验结果与分析 | 第46-49页 |
| 5.4.1 实验1与分析 | 第46-47页 |
| 5.4.2 实验2与分析 | 第47-49页 |
| 5.5 本章小结 | 第49-50页 |
| 第六章 半监督的稀疏保持二维边界鉴别分析算法 | 第50-65页 |
| 6.1 引言 | 第50-51页 |
| 6.2 相关工作 | 第51-53页 |
| 6.2.1 稀疏保持投影 | 第51-52页 |
| 6.2.2 二维边界鉴别分析 | 第52-53页 |
| 6.3 半监督的稀疏保持二维边界鉴别分析算法 | 第53-56页 |
| 6.3.1 算法介绍 | 第53-56页 |
| 6.3.2 算法步骤 | 第56页 |
| 6.4 实验结果与分析 | 第56-64页 |
| 6.4.1 实验1与分析 | 第56-59页 |
| 6.4.2 实验2与分析 | 第59-62页 |
| 6.4.3 实验3与分析 | 第62-64页 |
| 6.5 本章小结 | 第64-65页 |
| 第七章 总结与展望 | 第65-67页 |
| 7.1 总结 | 第65-66页 |
| 7.2 展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-74页 |
| 攻读学位期间发表的学术论文目 | 第74-75页 |
