摘要 | 第2-3页 |
Abstract | 第3页 |
1 绪论 | 第6-15页 |
1.1 研究背景与意义 | 第6-7页 |
1.2 研究现状 | 第7-12页 |
1.2.1 使用特征提取方法进行维度约简 | 第7-8页 |
1.2.2 基于流形学习思想的特征提取方法 | 第8-9页 |
1.2.3 基于非负矩阵分解思想的特征提取方法 | 第9-12页 |
1.3 本文主要研究工作 | 第12-13页 |
1.4 论文结构组织和安排 | 第13-15页 |
2 基于非负矩阵分解方法的特征提取相关基础理论 | 第15-21页 |
2.1 非负矩阵分解 | 第15-17页 |
2.1.1 基于欧氏距离平方的目标函数 | 第16-17页 |
2.1.2 基于广义KL散度的目标函数 | 第17页 |
2.2 基于稀疏约束的非负矩阵分解 | 第17-19页 |
2.2.1 稀疏约束非负矩阵分解的基本模型 | 第18页 |
2.2.2 稀疏约束非负矩阵分解的迭代优化算法 | 第18-19页 |
2.3 基于流形学习的特征提取方法 | 第19-20页 |
2.4 本章小结 | 第20-21页 |
3 基于流形学习和l_(1/2)稀疏约束的非负矩阵分解方法 | 第21-37页 |
3.1 算法描述 | 第21-22页 |
3.2 算法模型设计 | 第22-30页 |
3.2.1 算法模型和目标函数 | 第22-23页 |
3.2.2 算法模型中的去噪处理 | 第23-24页 |
3.2.3 算法模型中的流形学习 | 第24-26页 |
3.2.4 迭代更新规则 | 第26-30页 |
3.3 算法描述 | 第30页 |
3.4 仿真实验设计及结果分析 | 第30-36页 |
3.4.1 实验环境配置 | 第31页 |
3.4.2 对比算法 | 第31-32页 |
3.4.3 数据集 | 第32页 |
3.4.4 算法的性能评估指标 | 第32-33页 |
3.4.5 实验结果分析 | 第33-36页 |
3.5 本章小结 | 第36-37页 |
4 基于二部聚类思想的非负矩阵三分解方法 | 第37-55页 |
4.1 二部聚类 | 第37-38页 |
4.2 算法描述 | 第38-39页 |
4.3 算法模型设计 | 第39-44页 |
4.3.1 算法模型和目标函数 | 第39-42页 |
4.3.2 算法模型中的去噪处理 | 第42-43页 |
4.3.3 迭代更新规则 | 第43-44页 |
4.4 算法描述 | 第44-45页 |
4.5 数值实验及结果分析 | 第45-53页 |
4.5.1 实验环境配置 | 第45页 |
4.5.2 对比算法 | 第45-46页 |
4.5.3 数据集 | 第46-47页 |
4.5.4 算法的性能评估指标 | 第47页 |
4.5.5 实验结果分析 | 第47-50页 |
4.5.6 参数讨论 | 第50-53页 |
4.6 本章小结 | 第53-55页 |
结论 | 第55-56页 |
参考文献 | 第56-60页 |
攻读硕士学位期间发表学术论文情况 | 第60-61页 |
致谢 | 第61-63页 |