| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 引言 | 第9-11页 |
| 1.2 符号表示 | 第11页 |
| 1.3 主成分分析(PCA) | 第11页 |
| 1.4 线性判别分析(LDA) | 第11-12页 |
| 1.5 局部保持投影(LPP) | 第12页 |
| 1.6 无监督鉴别投影(UDP) | 第12-13页 |
| 1.7 本章小结 | 第13-14页 |
| 第二章 基于流形学习的非负矩阵分解算法 | 第14-31页 |
| 2.1 引言 | 第14页 |
| 2.2 相关算法 | 第14-16页 |
| 2.2.1 非负矩阵分解(NMF) | 第14-15页 |
| 2.2.2 GLNMF算法 | 第15-16页 |
| 2.3 基于流形学习的非负矩阵分解(Mani-NMF) | 第16-21页 |
| 2.3.1 目标函数的构造 | 第16-17页 |
| 2.3.2 Mani-NMF算法的迭代公式 | 第17-18页 |
| 2.3.3 Mani-NMF算法的收敛性 | 第18-20页 |
| 2.3.4 Mani-NMF算法设计 | 第20-21页 |
| 2.4 模拟实验 | 第21-30页 |
| 2.4.1 收敛性比较 | 第21-22页 |
| 2.4.2 在Yale人脸数据库上的实验 | 第22-25页 |
| 2.4.3 在PE人脸数据库上的实验 | 第25-27页 |
| 2.4.4 在CMU人脸数据库上的实验 | 第27-30页 |
| 2.4.5 Yale数据库上的基图像 | 第30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于局部和非局部特征的核非负矩阵分解算法 | 第31-45页 |
| 3.1 引言 | 第31页 |
| 3.2 相关算法 | 第31-32页 |
| 3.2.1 核非负矩阵分解(KNMF)算法 | 第31-32页 |
| 3.2.2 PNMF算法 | 第32页 |
| 3.3 LN-KNMF算法 | 第32-37页 |
| 3.3.1 LN-KNMF的目标函数 | 第32-33页 |
| 3.3.2 特征矩阵H的求解 | 第33-34页 |
| 3.3.3 特征矩阵W的求解 | 第34页 |
| 3.3.4 收敛性分析 | 第34-36页 |
| 3.3.5 LN-KNMF算法设计 | 第36-37页 |
| 3.4 模拟实验 | 第37-44页 |
| 3.4.1 在ORL人脸数据库上的实验 | 第37-39页 |
| 3.4.2 在Yale人脸数据库上的实验 | 第39-42页 |
| 3.4.3 在FERET人脸数据库上的实验 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于邻接图的分块核非负矩阵分解算法 | 第45-55页 |
| 4.1 引言 | 第45页 |
| 4.2 基于局部邻接图的AG-BKNMF算法 | 第45-49页 |
| 4.2.1 AG-BKNMF算法的迭代公式 | 第45-47页 |
| 4.2.2 收敛性分析 | 第47-49页 |
| 4.2.3 AG-BKNMF算法设计 | 第49页 |
| 4.3 实验结果 | 第49-54页 |
| 4.3.1 在ORL数据上的实验 | 第50-52页 |
| 4.3.2 Yale数据上的实验结果 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 攻读硕士学位期间的研究成果 | 第61页 |