基于L2P范数距离度量的算法鲁棒性与稀疏性研究
| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 前言 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 传统算法的不足 | 第10页 |
| 1.4 本文主要研究创新工作 | 第10-11页 |
| 1.5 本文内容安排 | 第11-12页 |
| 第二章 支持向量机概述 | 第12-18页 |
| 2.1 传统支持向量机 | 第12-13页 |
| 2.2 广义特征值支持向量机 | 第13-15页 |
| 2.3 孪生支持向量机 | 第15-17页 |
| 2.4 本章小结 | 第17-18页 |
| 第三章 特征选择概述 | 第18-23页 |
| 3.1 特征选择与特征提取 | 第18页 |
| 3.2 特征选择分类 | 第18-19页 |
| 3.3 纬度约减算法 | 第19-22页 |
| 3.3.1 主成分分析法 | 第19-20页 |
| 3.3.2 线性判别分析法 | 第20-21页 |
| 3.3.3 决策树 | 第21-22页 |
| 3.4 本章小结 | 第22-23页 |
| 第四章 基于L2P范数距离度量的TWSVM | 第23-40页 |
| 4.1 范数定义 | 第23-24页 |
| 4.2 相关工作 | 第24-25页 |
| 4.3 L2P-TWSVM模型推导 | 第25-31页 |
| 4.3.1 模型推导 | 第25-27页 |
| 4.3.2 迭代算法 | 第27-28页 |
| 4.3.3 收敛性证明 | 第28-29页 |
| 4.3.4 核函数L2P-TWSVM | 第29-31页 |
| 4.4 L2P-TWSVM算法实验 | 第31-39页 |
| 4.4.1 二进制数据 | 第31-32页 |
| 4.4.2 精度比较 | 第32-34页 |
| 4.4.3 参数p值研究 | 第34-36页 |
| 4.4.4 算法收敛性分析 | 第36-37页 |
| 4.4.5 噪声数据实验 | 第37-39页 |
| 4.5 本章总结 | 第39-40页 |
| 第五章 基于L21范数距离度量的判别特征选择 | 第40-60页 |
| 5.1 相关工作 | 第40-43页 |
| 5.2 L21FS模型推导 | 第43-48页 |
| 5.2.1 模型推导 | 第43-46页 |
| 5.2.2 迭代算法 | 第46页 |
| 5.2.3 收敛性证明 | 第46-48页 |
| 5.2.4 时间复杂度分析 | 第48页 |
| 5.2.5 评价标准 | 第48页 |
| 5.3 L21FS算法实验 | 第48-59页 |
| 5.3.1 数据集描述 | 第48-49页 |
| 5.3.2 ORL人脸数据集小实验 | 第49页 |
| 5.3.3 Iris鸢尾花小实验 | 第49-51页 |
| 5.3.4 算法比较 | 第51-54页 |
| 5.3.5 参数γ影响 | 第54-55页 |
| 5.3.6 噪声数据上算法比较 | 第55-57页 |
| 5.3.7 噪声特征实验 | 第57-58页 |
| 5.3.8 收敛性分析 | 第58-59页 |
| 5.4 本章总结 | 第59-60页 |
| 第六章 结束语 | 第60-61页 |
| 6.1 本文主要完成工作 | 第60页 |
| 6.2 未来工作展望 | 第60-61页 |
| 攻读硕士学位期间的研究成果和发表的论文 | 第61-62页 |
| 参考文献 | 第62-66页 |
