| 中文摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究进展 | 第10-12页 |
| 1.2.1 张量算法研究进展 | 第10-11页 |
| 1.2.2 机器学习在疾病预测中的研究进展 | 第11-12页 |
| 1.3 问题提出与内容安排 | 第12-14页 |
| 第二章 相关基础知识 | 第14-21页 |
| 2.1 张量的定义 | 第14-15页 |
| 2.2 张量的基本运算 | 第15-17页 |
| 2.3 张量分解与张量的秩 | 第17-20页 |
| 2.3.1 张量的CP分解与CP秩 | 第17-19页 |
| 2.3.2 张量的Tucker分解与Tucker秩 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 张量低秩子空间字典学习算法 | 第21-36页 |
| 3.1 子空间学习与低秩表示 | 第21-24页 |
| 3.1.1 鲁棒主成分分析 | 第21-22页 |
| 3.1.2 低秩表示 | 第22-23页 |
| 3.1.3 张量低秩表示 | 第23页 |
| 3.1.4 低秩张量子空间分析 | 第23-24页 |
| 3.2 张量低秩子空间字典学习算法 | 第24-29页 |
| 3.2.1 TLRSDL的模型设计 | 第25-26页 |
| 3.2.2 模型的计算 | 第26-28页 |
| 3.2.3 新数据的分类 | 第28-29页 |
| 3.2.4 TLRSDL的时间复杂度分析 | 第29页 |
| 3.3 实验与分析 | 第29-35页 |
| 3.3.1 实验一：人脸数据集的实验分析 | 第29-31页 |
| 3.3.2 实验二：MSR手势数据集的实验分析 | 第31-32页 |
| 3.3.3 实验三：样本数量影响分析 | 第32-33页 |
| 3.3.4 实验四：TLRSDL的鲁棒性分析 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 半监督支持张量机学习算法 | 第36-51页 |
| 4.1 支持向量机与支持张量机 | 第36-38页 |
| 4.1.1 支持向量机 | 第36-37页 |
| 4.1.2 支持张量机 | 第37-38页 |
| 4.2 半监督支持张量机 | 第38-45页 |
| 4.2.1 最小二乘半监督支持张量机 | 第38-42页 |
| 4.2.2 最小二乘半监督支持高秩张量机 | 第42-45页 |
| 4.2.3 多分类策略 | 第45页 |
| 4.3 实验与分析 | 第45-50页 |
| 4.3.1 实验一：算法性能分析 | 第46-47页 |
| 4.3.2 实验二：标签样本数量影响分析 | 第47-49页 |
| 4.3.3 实验三：张量秩影响分析 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 张量学习算法在疾病预测中的研究 | 第51-58页 |
| 5.1 医学图像的特点 | 第51-52页 |
| 5.2 医学图像的特征提取 | 第52-54页 |
| 5.2.1 Sobel边缘特征 | 第52页 |
| 5.2.2 LBP纹理特征 | 第52-53页 |
| 5.2.3 Tamura纹理特征 | 第53-54页 |
| 5.3 医学图像的分类 | 第54-57页 |
| 5.3.1 实验数据 | 第54-55页 |
| 5.3.2 基于局部特征的医学图像分类 | 第55-56页 |
| 5.3.3 基于全局特征的医学图像分类 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 参考文献 | 第60-68页 |
| 攻读硕士学位期间主要研究成果 | 第68-69页 |
| 致谢 | 第69-70页 |