基于张量数据的分类方法与应用
| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 符号表 | 第7-11页 |
| 第一章 绪论 | 第11-21页 |
| ·研究背景与意义 | 第11-14页 |
| ·张量学习的国内外研究现状 | 第14-15页 |
| ·研究目标和研究内容 | 第15-18页 |
| ·论文的组织结构 | 第18-21页 |
| 第二章 预备知识与理论基础 | 第21-37页 |
| ·基于向量数据的机器学习方法 | 第21-28页 |
| ·张量理论 | 第28-34页 |
| ·本章小结 | 第34-37页 |
| 第三章 线性可分问题的支持张量机 | 第37-49页 |
| ·基于张量数据的线性分类问题 | 第37-40页 |
| ·支持张量机 | 第40-47页 |
| ·本章小结 | 第47-49页 |
| 第四章 张量结构信息和秩约束支持张量机 | 第49-63页 |
| ·张量结构信息 | 第49-53页 |
| ·秩约束支持张量机 | 第53-61页 |
| ·本章小结 | 第61-63页 |
| 第五章 张量核函数与非线性可分问题 | 第63-75页 |
| ·张量核函数 | 第63-67页 |
| ·基于张量核函数支持张量机 | 第67-69页 |
| ·数值实验 | 第69-74页 |
| ·本章小结 | 第74-75页 |
| 第六章 矩阵距离与矩阵数据降维 | 第75-93页 |
| ·矩阵的欧氏距离 | 第75-76页 |
| ·新矩阵距离 | 第76-78页 |
| ·基于新矩阵距离的多线性子空间判别分析 | 第78-88页 |
| ·带有稀疏性的支持张量机 | 第88-90页 |
| ·本章小结 | 第90-93页 |
| 第七章 张量型数据的机器学习框架 | 第93-99页 |
| ·张量型数据的距离学习 | 第93-94页 |
| ·对偶-支持张量机 | 第94-96页 |
| ·本章小结 | 第96-99页 |
| 第八章 结论与展望 | 第99-101页 |
| ·结论 | 第99-100页 |
| ·展望 | 第100-101页 |
| 参考文献 | 第101-107页 |
| 致谢 | 第107-109页 |
| 个人简历 | 第109页 |
