| 摘要 | 第8-9页 |
| Abstract | 第9页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要工作 | 第13-16页 |
| 1.3.1 论文的主要内容 | 第13-14页 |
| 1.3.2 论文的组织结构 | 第14-16页 |
| 第二章 非负矩阵分解模型及相关变体 | 第16-20页 |
| 2.1 非负矩阵分解 | 第16-17页 |
| 2.2 非负矩阵分解的相关变体 | 第17-18页 |
| 2.3 具有代表性的生物数据 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 基于高斯赛德尔方法的非负矩阵分解及其生物学应用 | 第20-30页 |
| 3.1 基因微阵列数据以及其聚类分析 | 第20-22页 |
| 3.1.1 基因微阵列数据 | 第20页 |
| 3.1.2 基因表达数据聚类分析 | 第20-22页 |
| 3.2 基于高斯塞德尔方法的非负矩阵分解 | 第22-25页 |
| 3.2.1 提出的动机 | 第22页 |
| 3.2.2 GSNMF模型 | 第22-23页 |
| 3.2.3 GSNMF优化算法高斯塞德尔非负方程组优化 | 第23-25页 |
| 3.3 数值实验 | 第25-29页 |
| 3.3.1 聚类评估标准 | 第26页 |
| 3.3.2 实验数据 | 第26-27页 |
| 3.3.3 聚类实验 | 第27-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 基于一致信息熵度量的图正则非负矩阵分解及其生物学应用 | 第30-44页 |
| 4.1 图正则非负矩阵分解 | 第30-31页 |
| 4.2 鲁棒的图正则非负矩阵分解变体 | 第31页 |
| 4.2.1 最大化一致信息熵的图正则非负矩阵分解 | 第31页 |
| 4.2.2 鲁棒流型非负矩阵分解 | 第31页 |
| 4.3 基于一致信息熵度量的图正则非负矩阵分解 | 第31-37页 |
| 4.3.1 一致信息熵度量 | 第31-32页 |
| 4.3.2 CGNMF模型 | 第32页 |
| 4.3.3 CGNMF更新规则 | 第32-34页 |
| 4.3.4 CGNMF模型的图学习 | 第34-36页 |
| 4.3.5 CGNMF模型收敛性证明 | 第36-37页 |
| 4.4 数值实验 | 第37-43页 |
| 4.4.1 经典人脸库上的识别实验 | 第37-41页 |
| 4.4.2 人机结合的脑电波数据聚类分析实验 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 基于一致信息熵度量的有监督非负矩阵分解 | 第44-54页 |
| 5.1 模型判别罚项 | 第44-46页 |
| 5.1.1 部分判别罚项 | 第44-45页 |
| 5.1.2 完全判别罚项 | 第45-46页 |
| 5.2 基于一致信息熵度量的有监督非负矩阵分解 | 第46-47页 |
| 5.3 数值实验 | 第47-52页 |
| 5.3.1 EEG数据的分类识别实验 | 第47-52页 |
| 5.3.2 结果分析 | 第52页 |
| 5.4 本章小结 | 第52-54页 |
| 第六章 结束语 | 第54-56页 |
| 6.1 工作总结 | 第54页 |
| 6.2 不足和展望 | 第54-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 作者在学期间取得的学术成果 | 第62页 |
