基于L2，1范数和L1范数的鲁棒判别特征提取算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 缩略语对照表 | 第9-12页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 研究背景及意义 | 第12页 |
| 1.2 基于子空间学习的人脸识别发展现状 | 第12-14页 |
| 1.3 本文研究内容及安排 | 第14-16页 |
| 第二章 主成分分析与线性判别分析 | 第16-20页 |
| 2.1 主成分分析 | 第16-17页 |
| 2.2 线性判别分析 | 第17-19页 |
| 2.3 主成分分析与线性判别分析的区别 | 第19-20页 |
| 第三章 trace ratio问题 | 第20-28页 |
| 3.1 trace ratio问题综述 | 第20-21页 |
| 3.2 trace ratio问题求解框架 | 第21-23页 |
| 3.3 全局最优解的进一步讨论 | 第23-27页 |
| 3.4 总结 | 第27-28页 |
| 第四章 基于L1范数的线性判别分析 | 第28-46页 |
| 4.1 概述 | 第28-29页 |
| 4.2 基于L1范数的优化问题 | 第29-30页 |
| 4.2.1 基于L1范数的主成分分析 | 第29页 |
| 4.2.2 基于L1范数的线性判别分析 | 第29-30页 |
| 4.3 非贪婪策略的L1-LDA | 第30-34页 |
| 4.3.1 L1-LDA的目标函数分析 | 第30-31页 |
| 4.3.2 非贪婪求解算法 | 第31-34页 |
| 4.4 收敛性分析 | 第34-35页 |
| 4.5 其他基于L1范数的子空间学习算法的拓展 | 第35-37页 |
| 4.5.1 基于L1范数主成分分析 | 第35-36页 |
| 4.5.2 基于L1范数的二维主成分分析 | 第36-37页 |
| 4.6 实验 | 第37-44页 |
| 4.7 总结 | 第44-46页 |
| 第五章 基于L2,1 范数的线性判别分析 | 第46-56页 |
| 5.1 概述 | 第46页 |
| 5.2 线性判别分析 | 第46-48页 |
| 5.3 非贪婪策略的L2,1-LDA | 第48-49页 |
| 5.4 收敛性分析 | 第49-51页 |
| 5.5 实验 | 第51-55页 |
| 5.6 总结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-66页 |
| 作者简介 | 第66-67页 |
