| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 绪论 | 第16-34页 |
| 1.1 研究背景及意义 | 第16-19页 |
| 1.1.1 理论研究价值 | 第17-18页 |
| 1.1.2 应用研究价值 | 第18-19页 |
| 1.1.3 课题来源 | 第19页 |
| 1.2 研究现状 | 第19-27页 |
| 1.2.1 多视图学习算法的分类 | 第19-22页 |
| 1.2.2 多视图学习算法 | 第22-27页 |
| 1.3 研究内容和创新点 | 第27-29页 |
| 1.3.1 提出一种面向三维图形学的多视图分类模型 | 第27-28页 |
| 1.3.2 提出一种面向多视图的全局-局部核对齐算法 | 第28页 |
| 1.3.3 提出一种基于重构视图的多视图聚类框架 | 第28-29页 |
| 1.3.4 提出一种基于深度神经网络的大规模多核聚类近似算法 | 第29页 |
| 1.4 研究经历 | 第29-32页 |
| 1.5 论文的组织结构 | 第32-34页 |
| 第二章 面向三维图形应用的多视图分类模型 | 第34-52页 |
| 2.1 引言 | 第34-36页 |
| 2.2 相关工作 | 第36-38页 |
| 2.2.1 半自动三维图形特征表示算法 | 第36页 |
| 2.2.2 基于深度学习的三维图形特征提取算法 | 第36页 |
| 2.2.3 极限学习机 | 第36-38页 |
| 2.2.4 其他ELM模型 | 第38页 |
| 2.3 多视图混合模型 | 第38-44页 |
| 2.3.1 卷积自动编码极限学习机 | 第38-42页 |
| 2.3.2 多视图CAE-ELM结构 | 第42页 |
| 2.3.3 可视化机制 | 第42-44页 |
| 2.4 实验结果 | 第44-49页 |
| 2.4.1 三维图形分类和检索 | 第44-47页 |
| 2.4.2 二维图像分类 | 第47-49页 |
| 2.4.3 三维图形修复 | 第49页 |
| 2.5 本章小结 | 第49-52页 |
| 第三章 面向多视图的全局-局部核对齐算法 | 第52-66页 |
| 3.1 背景 | 第52-54页 |
| 3.2 相关工作 | 第54-55页 |
| 3.2.1 二进制两步MKL分类框架(BinaryMKL) | 第54页 |
| 3.2.2 最大化多类别间隔多核学习算法 | 第54-55页 |
| 3.2.3 基于两步MKL的中心核对齐算法 | 第55页 |
| 3.3 全局-局部核对齐 | 第55-58页 |
| 3.3.1 局部核对齐函数 | 第56页 |
| 3.3.2 混合核对齐函数 | 第56页 |
| 3.3.3 交替优化算法 | 第56-58页 |
| 3.4 实验结果 | 第58-64页 |
| 3.4.1 数据集 | 第58-59页 |
| 3.4.2 对比算法 | 第59-60页 |
| 3.4.3 实验设置 | 第60页 |
| 3.4.4 UCI数据集的结果 | 第60页 |
| 3.4.5 MKL标准数据集 | 第60-62页 |
| 3.4.6 参数选择和收敛性 | 第62-64页 |
| 3.5 本章小结 | 第64-66页 |
| 第四章 基于部分重构视图的多视图聚类架构 | 第66-84页 |
| 4.1 引言 | 第66-67页 |
| 4.2 相关工作 | 第67-69页 |
| 4.2.1 多核k-means聚类算法(MKKM) | 第67-68页 |
| 4.2.2 矩阵导出正则化的多核k-means聚类(MKKM-MR) | 第68-69页 |
| 4.2.3 多视图联合谱聚类算法(CRSC) | 第69页 |
| 4.3 基于部分重构核的多核聚类算法框架(MKCF-IK) | 第69-74页 |
| 4.3.1 异常点检测 | 第70页 |
| 4.3.2 基于重构核的多核聚类算法 | 第70-71页 |
| 4.3.3 基于重构核的CRSC算法 | 第71-73页 |
| 4.3.4 讨论 | 第73-74页 |
| 4.4 实验结果 | 第74-79页 |
| 4.4.1 实验设置和数据集 | 第74-76页 |
| 4.4.2 对比算法 | 第76页 |
| 4.4.3 实验结果 | 第76-79页 |
| 4.5 本章小结 | 第79-84页 |
| 第五章 基于深度神经网络的大规模多核聚类近似算法 | 第84-104页 |
| 5.1 引言 | 第84-86页 |
| 5.2 相关工作 | 第86-87页 |
| 5.2.1 多核聚类算法 | 第86-87页 |
| 5.2.2 大规模聚类算法 | 第87页 |
| 5.3 背景知识 | 第87-88页 |
| 5.4 基于深度神经网络的近似大规模多核聚类算法 | 第88-90页 |
| 5.5 实验结果 | 第90-100页 |
| 5.5.1 数据集和实验设置 | 第90-91页 |
| 5.5.2 对比算法 | 第91-93页 |
| 5.5.3 实验结果 | 第93-100页 |
| 5.6 本章小结 | 第100-104页 |
| 第六章 结论与展望 | 第104-108页 |
| 6.1 工作总结 | 第104-105页 |
| 6.2 工作展望 | 第105-108页 |
| 致谢 | 第108-110页 |
| 参考文献 | 第110-126页 |
| 作者在学期间取得的学术成果 | 第126-128页 |
