| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 研究的国内外现状 | 第11-15页 |
| 1.3 本文的主要工作 | 第15-16页 |
| 1.4 本文的章节安排 | 第16-17页 |
| 2 传统的线性降维算法 | 第17-33页 |
| 2.1 主成分分析 | 第17-18页 |
| 2.2 线性判别分析 | 第18-19页 |
| 2.3 保局投影 | 第19-20页 |
| 2.4 近邻保持嵌入 | 第20-21页 |
| 2.5 非负矩阵分解 | 第21-22页 |
| 2.6 线性判别投影 | 第22-25页 |
| 2.7 实验结果 | 第25-32页 |
| 2.7.1 参数选择 | 第25-26页 |
| 2.7.2 在Yale人脸数据集上的实验 | 第26-27页 |
| 2.7.3 在ORL人脸数据集上的实验 | 第27-28页 |
| 2.7.4 在AR人脸数据集上的实验 | 第28-29页 |
| 2.7.5 在Extended Yale B人脸数据集上的实验 | 第29-30页 |
| 2.7.6 可视化实验 | 第30-32页 |
| 2.8 本章小结 | 第32-33页 |
| 3 基于稀疏表征的线性降维算法 | 第33-41页 |
| 3.1 引言 | 第33页 |
| 3.2 Lasso和Elastic Net | 第33-35页 |
| 3.2.1 Lasso | 第33-34页 |
| 3.2.2 Elastic Net | 第34-35页 |
| 3.3 稀疏主成分分析 | 第35-36页 |
| 3.4 稀疏判别分析 | 第36-38页 |
| 3.5 稀疏保局投影 | 第38-39页 |
| 3.6 稀疏非负矩阵分解 | 第39-40页 |
| 3.7 本章小结 | 第40-41页 |
| 4 基于稀疏表征的线性子空间学习 | 第41-52页 |
| 4.1 引言 | 第41页 |
| 4.2 判别约束 | 第41-43页 |
| 4.2.1 最大边缘准则 | 第41-42页 |
| 4.2.2 判别近邻保持嵌入 | 第42-43页 |
| 4.3 稀疏约束 | 第43-45页 |
| 4.3.1 稀疏表征 | 第43页 |
| 4.3.2 稀疏判别近邻保持嵌入 | 第43-45页 |
| 4.4 实验结果 | 第45-50页 |
| 4.4.1 在Yale人脸数据集上的实验 | 第45-47页 |
| 4.4.2 在ORL人脸数据集上的实验 | 第47-48页 |
| 4.4.3 在AR人脸数据集上的实验 | 第48-49页 |
| 4.4.4 在Extended Yale B人脸数据集上的实验 | 第49-50页 |
| 4.5 本章小结 | 第50-52页 |
| 5 总结及展望 | 第52-54页 |
| 5.1 本文的工作总结 | 第52-53页 |
| 5.2 今后的工作展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录 英文缩写对应全称 | 第58-60页 |
| 攻读硕士学位期间主要的研究成果 | 第60-61页 |
| 致谢 | 第61-63页 |