| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第12-28页 |
| 1.1 模式识别的研究意义 | 第13-14页 |
| 1.2 机器学习 | 第14页 |
| 1.3 基于子空间的特征抽取方法 | 第14-22页 |
| 1.3.1 线性子空间学习方法概述 | 第15-18页 |
| 1.3.2 非线性子空间学习方法概述 | 第18-22页 |
| 1.4 人脸识别 | 第22-25页 |
| 1.4.1 统计方法 | 第23页 |
| 1.4.2 神经网络方法 | 第23-24页 |
| 1.4.3 模糊集方法 | 第24页 |
| 1.4.4 多分类器组合方法 | 第24-25页 |
| 1.5 文本聚类 | 第25-26页 |
| 1.6 本文研究工作概述 | 第26-27页 |
| 1.7 本文的内容安排 | 第27-28页 |
| 2 基于投影梯度非负矩阵的下逼近分解 | 第28-44页 |
| 2.1 引言 | 第28-30页 |
| 2.2 相关工作 | 第30-36页 |
| 2.2.0 非负矩阵分解 | 第30-31页 |
| 2.2.1 基于交替非负最小二乘法的NMF算法框架 | 第31-32页 |
| 2.2.2 投影梯度法 | 第32-34页 |
| 2.2.3 非负矩阵的下逼近分解 | 第34-36页 |
| 2.3 基于投影梯度非负矩阵的下逼近分解 | 第36-39页 |
| 2.3.1 改进的投影梯度法 | 第36-37页 |
| 2.3.2 基于投影梯度非负矩阵的下逼近分解 | 第37-39页 |
| 2.4 本章实验 | 第39-43页 |
| 2.5 本章小结 | 第43-44页 |
| 3 基于平滑l_0范数约束的正交子空间非负矩阵分解 | 第44-58页 |
| 3.1 引言 | 第44-45页 |
| 3.2 相关工作 | 第45-47页 |
| 3.2.1 正交非负矩阵分解 | 第45-46页 |
| 3.2.2 正交子空间非负矩阵分解 | 第46-47页 |
| 3.3 基于平滑l_0范数约束的正交子空间非负矩阵分解 | 第47-50页 |
| 3.3.1 平滑l_0范数 | 第47-48页 |
| 3.3.2 NMFOS-SL0算法 | 第48-49页 |
| 3.3.3 NMFOS-SL0算法与梯度下降方法之间的关系 | 第49-50页 |
| 3.4 本章实验 | 第50-54页 |
| 3.5 PGNMU算法与NMFOS-SL0算法在分解矩阵稀疏性方面的比较 | 第54-57页 |
| 3.6 本章小结 | 第57-58页 |
| 4 基于模糊K最近邻图的非负矩阵分解 | 第58-74页 |
| 4.1 引言 | 第58-59页 |
| 4.2 相关工作 | 第59-63页 |
| 4.2.1 局部非负矩阵分解 | 第59-60页 |
| 4.2.2 Fisher非负矩阵分解 | 第60-61页 |
| 4.2.3 流形正则化的非负矩阵分解 | 第61-63页 |
| 4.3 基于模糊K最近邻图的非负矩阵分解算法 | 第63-66页 |
| 4.3.1 类内、类间模糊K最近邻图 | 第63-64页 |
| 4.3.2 NMF-FKNN模型 | 第64页 |
| 4.3.3 迭代更新规则 | 第64-65页 |
| 4.3.4 收敛性分析 | 第65-66页 |
| 4.4 本章实验 | 第66-73页 |
| 4.5 本章小结 | 第73-74页 |
| 5 双图正则化的概念分解 | 第74-101页 |
| 5.1 引言 | 第74-75页 |
| 5.2 相关工作 | 第75-78页 |
| 5.2.1 图正则化的非负矩阵分解 | 第75-76页 |
| 5.2.2 双正则化的联合聚类 | 第76页 |
| 5.2.3 双图正则化的非负矩阵分解 | 第76-77页 |
| 5.2.4 概念分解 | 第77-78页 |
| 5.2.5 局部连续概念分解 | 第78页 |
| 5.3 双图正则化的概念分解 | 第78-85页 |
| 5.3.1 数据图和特征图 | 第78-80页 |
| 5.3.2 双图正则化的概念分解模型 | 第80页 |
| 5.3.3 迭代更新规则 | 第80-81页 |
| 5.3.4 收敛性分析 | 第81-82页 |
| 5.3.5 复杂度分析 | 第82页 |
| 5.3.6 GCF算法与梯度下降算法之间的关系 | 第82-83页 |
| 5.3.7 面向一般数据矩阵的算法 | 第83-85页 |
| 5.4 本章实验 | 第85-92页 |
| 5.5 NMF-FKNN方法与GCF方法的比较 | 第92-93页 |
| 5.6 本章小结 | 第93-101页 |
| 6 结束语 | 第101-103页 |
| 6.1 总结 | 第101-102页 |
| 6.2 展望 | 第102-103页 |
| 致谢 | 第103-104页 |
| 参考文献 | 第104-118页 |
| 附录A --定理4.4的证明 | 第118-121页 |
| 附录B --定理5.6的证明 | 第121-123页 |
| 附录C —GCF算法的规范切权(NCW)形式 | 第123-124页 |
| 附录D | 第124页 |
