基于近似零范数和无穷范数的维数约简
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及研究意义 | 第9-12页 |
| 1.2 现有方法简介 | 第12-14页 |
| 1.3 本文的研究内容及结构安排 | 第14-16页 |
| 第二章 主成成分分析与核主成成分分析 | 第16-24页 |
| 2.1 引言 | 第16页 |
| 2.2 主成成分分析（PCA）算法 | 第16-18页 |
| 2.3 基于 PCA 的人脸识别实例 | 第18-20页 |
| 2.4 核主成成分分析（KPCA）算法 | 第20-23页 |
| 2.5 PCA 与 KPCA 的比较 | 第23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 线性判别分析 | 第24-32页 |
| 3.1 线性判别函数的基本概念 | 第24-27页 |
| 3.2 线性判别分析（LDA）原理 | 第27页 |
| 3.3 基于商的 LDA 算法 | 第27-30页 |
| 3.4 基于差的 LDA 算法 | 第30页 |
| 3.5 PCA 与 LDA 的比较 | 第30-31页 |
| 3.6 本章小结 | 第31-32页 |
| 第四章 典型相关分析 | 第32-37页 |
| 4.1 引言 | 第32页 |
| 4.2 典型相关分析（CCA）数学模型 | 第32-34页 |
| 4.3 典型相关分析的解析算法 | 第34-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第五章 所提基于近似零范数的稀疏核主成成分分析 | 第37-53页 |
| 5.1 引言 | 第37页 |
| 5.2 KPCA 算法的不足 | 第37-38页 |
| 5.3 DC-KPCA 算法的基本原理 | 第38-47页 |
| 5.3.1 KPCA 的差异性凸函数表达形式 | 第39-40页 |
| 5.3.2 近似零范数分析 | 第40-42页 |
| 5.3.3 优化的极小值方法 | 第42-43页 |
| 5.3.4 稀疏的 KPCA 算法 | 第43-47页 |
| 5.4 实验结果 | 第47-51页 |
| 5.5 本章小结 | 第51-53页 |
| 第六章 所提基于无穷范数的二值化线性判别分析 | 第53-61页 |
| 6.1 传统 LDA 算法的不足 | 第53-54页 |
| 6.2 BLDA 算法的数学模型 | 第54-55页 |
| 6.3 BLDA 算法的最优化求解 | 第55-56页 |
| 6.4 实验结果 | 第56-60页 |
| 6.4.1 ORL 人脸数据库 | 第56-58页 |
| 6.4.2 Yale 人脸数据库 | 第58-60页 |
| 6.5 本章小结 | 第60-61页 |
| 第七章 总结与展望 | 第61-63页 |
| 7.1 总结 | 第61-62页 |
| 7.2 展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 发表论文和参加科研情况说明 | 第68-69页 |
| 致谢 | 第69页 |
