稀疏表示和局部保持投影特征学习方法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 经典局部保持投影法 | 第16-17页 |
| 1.2.2 局部保持投影法的识别性改进 | 第17页 |
| 1.2.3 局部保持投影法的正交性改进 | 第17页 |
| 1.2.4 局部保持投影法的数据表示改进 | 第17-18页 |
| 1.2.5 局部保持投影法的图改进 | 第18-19页 |
| 1.3 研究内容和特色 | 第19-20页 |
| 1.4 论文组织结构 | 第20页 |
| 1.5 本章小结 | 第20-21页 |
| 第二章 预备知识 | 第21-29页 |
| 2.1 矩阵范数 | 第21-22页 |
| 2.1.1 l_0范数与l_1范数 | 第21-22页 |
| 2.1.2 F范数 | 第22页 |
| 2.2 稀疏表示 | 第22-23页 |
| 2.3 局部保持投影法 | 第23-24页 |
| 2.4 增广拉格朗日乘子法与交替方向乘子法 | 第24-26页 |
| 2.5 软阈值函数 | 第26-27页 |
| 2.6 k近邻分类器 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第三章 稀疏表示和局部保持投影特征提取模型 | 第29-38页 |
| 3.1 联合稀疏表示与局部保持特征提取模型 | 第30-32页 |
| 3.2 联合稀疏表示与局部保持特征提取优化算法 | 第32-34页 |
| 3.3 联合稀疏表示与局部保持特征提取算法分析 | 第34-37页 |
| 3.3.1 计算复杂度 | 第34-35页 |
| 3.3.2 收敛性 | 第35页 |
| 3.3.3 与其他算法的联系 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 实验与分析 | 第38-52页 |
| 4.1 数据集介绍 | 第38-42页 |
| 4.1.1 扩展YaleB人脸数据集 | 第38-39页 |
| 4.1.2 AR人脸数据集 | 第39页 |
| 4.1.3 ORL人脸数据集 | 第39-40页 |
| 4.1.4 COIL20物体数据集 | 第40-42页 |
| 4.2 参数选择 | 第42页 |
| 4.3 实验方法 | 第42-44页 |
| 4.4 实验结果与分析 | 第44-49页 |
| 4.4.1 基于扩展YaleB数据集的实验 | 第45-46页 |
| 4.4.2 基于AR数据集的实验 | 第46-47页 |
| 4.4.3 基于ORL数据集的实验 | 第47-48页 |
| 4.4.4 基于COIL20数据集的实验 | 第48-49页 |
| 4.5 相似矩阵分析 | 第49-51页 |
| 4.6 本章小结 | 第51-52页 |
| 总结与展望 | 第52-54页 |
| 总结 | 第52页 |
| 展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读学位期间发表的论文 | 第58-60页 |
| 致谢 | 第60页 |
