判别分析的高效在线增量学习算法研究
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第7-11页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 国内外研究现状分析 | 第8-9页 |
| 1.3 本文的研究内容及创新点 | 第9-10页 |
| 1.4 本文的结构安排 | 第10-11页 |
| 2 相关知识介绍 | 第11-23页 |
| 2.1 小样本学习 | 第11-12页 |
| 2.2 线性判别分析 | 第12-14页 |
| 2.2.1 概述 | 第12页 |
| 2.2.2 线性判别分析算法推导 | 第12-14页 |
| 2.3 基于零空间的线性判别分析 | 第14-20页 |
| 2.3.1 算法介绍 | 第14-16页 |
| 2.3.2 高效的零空间线性判别分析算法 | 第16-20页 |
| 2.4 K最近邻 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 基于属性的判别分析零样本增量学习 | 第23-36页 |
| 3.1 基于NLDA/QR的增量学习 | 第23-26页 |
| 3.1.1 加入已知类的新样本 | 第24-25页 |
| 3.1.2 加入新类 | 第25-26页 |
| 3.2 零样本学习 | 第26-29页 |
| 3.2.1 属性学习 | 第27-28页 |
| 3.2.2 基于间接属性预测模型的零样本学习 | 第28-29页 |
| 3.3 基于NLDA/QR和属性的零样本增量学习 | 第29-33页 |
| 3.3.1 批量算法 | 第30页 |
| 3.3.2 增加新类的零样本学习模型 | 第30-31页 |
| 3.3.3 增加已知类新样本的零样本学习模型 | 第31-32页 |
| 3.3.4 长期的在线增量学习 | 第32-33页 |
| 3.4 实验分析 | 第33-35页 |
| 3.4.1 加入新类 | 第33-34页 |
| 3.4.2 加入已知类的新样本 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 线性判别分析的快速在线增量学习 | 第36-49页 |
| 4.1 批量算法 | 第36-37页 |
| 4.2 增量算法 | 第37-42页 |
| 4.2.1 加入已知类的新样本 | 第38-39页 |
| 4.2.2 加入新类 | 第39-40页 |
| 4.2.3 加入已知标签的混合数据 | 第40-42页 |
| 4.3 算法复杂度分析 | 第42-44页 |
| 4.4 实验分析 | 第44-48页 |
| 4.4.1 批量算法的比较 | 第44-45页 |
| 4.4.2 增加已知类的新样本 | 第45-46页 |
| 4.4.3 增加新类 | 第46-47页 |
| 4.4.4 已知标签的混合数据 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 5 免分解的核判别分析在线增量学习 | 第49-60页 |
| 5.1 批量算法 | 第49-50页 |
| 5.2 增量算法 | 第50-54页 |
| 5.2.1 加入已知类新样本 | 第51页 |
| 5.2.2 加入新类 | 第51-52页 |
| 5.2.3 加入已知标签的混合数据 | 第52页 |
| 5.2.4 加入不知标签的混合数据 | 第52-54页 |
| 5.3 算法复杂度分析 | 第54-55页 |
| 5.3.1 批量算法的复杂度比较 | 第54-55页 |
| 5.3.2 增量算法的复杂度比较 | 第55页 |
| 5.4 实验结果 | 第55-59页 |
| 5.4.1 加入新类 | 第56-57页 |
| 5.4.2 加入混合数据 | 第57-58页 |
| 5.4.3 新类检测 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-68页 |
| 附录A 全文符号说明 | 第68-69页 |
| 攻读硕士学位期间发表学术论文情况 | 第69-70页 |
| 致谢 | 第70-72页 |
