| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第11-16页 |
| ·研究背景与意义 | 第11-14页 |
| ·本文主要贡献 | 第14-15页 |
| ·论文组织结构 | 第15-16页 |
| 第二章 本文研究的相关工作 | 第16-21页 |
| ·瑞利商性质 | 第16页 |
| ·支持向量机 | 第16-18页 |
| ·SVM-2K | 第18-19页 |
| ·多视角学习 | 第19-21页 |
| ·多视角学习原则 | 第19-21页 |
| 第三章 多视角广义特征值最接近支持向量机 | 第21-33页 |
| ·广义特征值最接近支持向量机 | 第21-25页 |
| ·线性的GEPSVM | 第21-23页 |
| ·核方法的GEPSVM | 第23-25页 |
| ·多视角广义特征值最接近支持向量机 | 第25-29页 |
| ·线性的MvGESVM | 第25-27页 |
| ·核的MvGESVM | 第27-29页 |
| ·实验 | 第29-31页 |
| ·数据集介绍和实验设置 | 第30-31页 |
| ·实验结果分析 | 第31页 |
| ·本章小结 | 第31-33页 |
| 第四章 多视角特征值最接近支持向量机 | 第33-46页 |
| ·特征值最接近支持向量机 | 第33-36页 |
| ·线性的EPSVM | 第33-35页 |
| ·核的EPSVM | 第35-36页 |
| ·多视角特征值最接近支持向量机 | 第36-41页 |
| ·线性的MvESVM | 第36-38页 |
| ·核的MvESVM | 第38-41页 |
| ·实验 | 第41-44页 |
| ·数据集介绍和实验设置 | 第41-42页 |
| ·实验结果分析 | 第42-44页 |
| ·算法复杂度 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第五章 基于梯度下降法的多视角特征值最接近支持向量机 | 第46-56页 |
| ·梯度下降法 | 第46-47页 |
| ·基于梯度下降法的多视角特征值最接近支持向量机 | 第47-52页 |
| ·线性的MvGDSVM | 第47-50页 |
| ·核的MvGDSVM | 第50-52页 |
| ·实验 | 第52-55页 |
| ·数据集介绍和实验设置 | 第52-53页 |
| ·实验结果分析 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| ·本文总结 | 第56页 |
| ·研究展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 硕士期间的科研成果 | 第62-63页 |
| 致谢 | 第63页 |