| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第15-24页 |
| 1.1 研究背景 | 第15-16页 |
| 1.2 子空间学习算法 | 第16-21页 |
| 1.2.1 经典的线性子空间算法 | 第16-19页 |
| 1.2.2 核方法的子空间算法 | 第19-20页 |
| 1.2.3 流形学习的子空间算法 | 第20-21页 |
| 1.3 本文的研究工作 | 第21-22页 |
| 1.4 本文内容安排 | 第22-24页 |
| 2 半监督线性鉴别分析 | 第24-41页 |
| 2.1 引言 | 第24-25页 |
| 2.2 相关工作 | 第25-26页 |
| 2.2.1 线性鉴别分析 | 第25-26页 |
| 2.2.2 统计不相关线性鉴别分析 | 第26页 |
| 2.3 半监督线性鉴别分析 | 第26-32页 |
| 2.3.1 鉴别分析 | 第27-28页 |
| 2.3.2 标签估计 | 第28-29页 |
| 2.3.3 优化 | 第29-30页 |
| 2.3.4 收敛性证明 | 第30-32页 |
| 2.4 实验 | 第32-39页 |
| 2.4.1 数据库描述 | 第32-33页 |
| 2.4.2 比较算法 | 第33页 |
| 2.4.3 实验设置 | 第33-34页 |
| 2.4.4 实验结果与分析 | 第34-39页 |
| 2.5 本章小结 | 第39-41页 |
| 3 典型主夹角相关分析 | 第41-61页 |
| 3.1 引言 | 第41-43页 |
| 3.2 相关工作 | 第43-46页 |
| 3.2.1 典型相关分析 | 第43-44页 |
| 3.2.2 互子空间法 | 第44页 |
| 3.2.3 多主夹角法 | 第44-45页 |
| 3.2.4 图嵌入理论 | 第45-46页 |
| 3.2.5 局部保持映射 | 第46页 |
| 3.3 典型主夹角相关分析 | 第46-50页 |
| 3.3.1 典型主夹角相关分析 | 第47-50页 |
| 3.3.2 优化 | 第50页 |
| 3.4 实验 | 第50-59页 |
| 3.4.1 数据库描述 | 第51-52页 |
| 3.4.2 比较算法 | 第52页 |
| 3.4.3 实验设置 | 第52-53页 |
| 3.4.4 参数设置 | 第53页 |
| 3.4.5 实验结果及其分析 | 第53-59页 |
| 3.5 本章小结 | 第59-61页 |
| 4 基于谱聚类的无监督鉴别典型相关分析 | 第61-74页 |
| 4.1 引言 | 第61页 |
| 4.2 一种监督典型相关分析 | 第61-62页 |
| 4.3 基于谱聚类的无监督鉴别典型相关分析 | 第62-66页 |
| 4.3.1 鉴别典型相关分析 | 第63-64页 |
| 4.3.2 权重计算 | 第64页 |
| 4.3.3 谱聚类 | 第64-65页 |
| 4.3.4 优化 | 第65-66页 |
| 4.4 基于谱聚类的多视角无监督鉴别典型相关分析 | 第66-67页 |
| 4.5 实验 | 第67-72页 |
| 4.5.1 数据库描述 | 第67-68页 |
| 4.5.2 比较算法 | 第68页 |
| 4.5.3 实验设置 | 第68-69页 |
| 4.5.4 实验结果与分析 | 第69-71页 |
| 4.5.5 算法收敛性分析 | 第71页 |
| 4.5.6 参数敏感性分析 | 第71-72页 |
| 4.6 本章小结 | 第72-74页 |
| 5 基于L_1范数的典型相关分析 | 第74-97页 |
| 5.1 引言 | 第74-75页 |
| 5.2 基于L_1范数的主成分分析 | 第75-77页 |
| 5.3 基于L_1范数的典型相关分析 | 第77-81页 |
| 5.3.1 基于L_1范数的典型相关分析 | 第77-78页 |
| 5.3.2 优化 | 第78-81页 |
| 5.4 CCA-L1的两中扩展算法 | 第81-83页 |
| 5.4.1 基于L_1范数的流形正则典型相关分析 | 第81-82页 |
| 5.4.2 基于L_1范数的多视角典型相关分析算法 | 第82-83页 |
| 5.5 实验 | 第83-96页 |
| 5.5.1 数据库描述 | 第83-85页 |
| 5.5.2 比较算法 | 第85页 |
| 5.5.3 实验设置 | 第85-86页 |
| 5.5.4 实验结果及其分析 | 第86-96页 |
| 5.6 本章小结 | 第96-97页 |
| 总结与展望 | 第97-99页 |
| 致谢 | 第99-100页 |
| 参考文献 | 第100-112页 |
| 附录 | 第112-113页 |