| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·本文主要研究内容 | 第13-14页 |
| ·本文组织结构 | 第14-16页 |
| 第2章 相关背景知识 | 第16-24页 |
| ·多观测样本分类简介 | 第16-17页 |
| ·多观测样本分类的原理 | 第17-18页 |
| ·多观测样本分类算法 | 第18-22页 |
| ·单源多观测样本分类算法 | 第18-21页 |
| ·多源多观测样本分类算法 | 第21-22页 |
| ·本章小结 | 第22-24页 |
| 第3章 基于低秩分解的联合动态稀疏表示多观测样本分类算法 | 第24-36页 |
| ·引言 | 第24-25页 |
| ·基于低秩分解的联合动态稀疏表示多观测样本分类 | 第25-31页 |
| ·低秩矩阵恢复 | 第25-26页 |
| ·联合动态稀疏表示多观测样本分类 | 第26-31页 |
| ·基于低秩的联合动态稀疏表示多观测样本分类算法的描述 | 第31页 |
| ·实验结果与分析 | 第31-35页 |
| ·CMU-PIE 人脸识别 | 第31-32页 |
| ·ETH-80 物体识别 | 第32-34页 |
| ·USPS 手写体数字识别 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 基于转换学习稀疏表示的多观测样本分类算法 | 第36-50页 |
| ·引言 | 第36-37页 |
| ·基于转换学习稀疏表示的多观测样本分类算法 | 第37-44页 |
| ·利用正则化跨域转换进行转换学习 | 第37-40页 |
| ·基于稀疏表示的分类算法 | 第40-41页 |
| ·核稀疏表示分类算法 | 第41-43页 |
| ·基于转换学习稀疏表示的多观测样本分类算法描述 | 第43-44页 |
| ·实验结果与分析 | 第44-48页 |
| ·Three-Domain Object Benchmark 数据库上的对比实验结果 | 第44-45页 |
| ·USPS-Binary 数字数据库上的对比实验结果 | 第45-47页 |
| ·ALOI 数据库上的对比实验结果 | 第47-48页 |
| ·本章小结 | 第48-50页 |
| 第5章 基于 L1-Graph 转换学习的多观测样本分类算法 | 第50-62页 |
| ·引言 | 第50-51页 |
| ·基于 L1-Graph 转换学习的多观测样本分类 | 第51-57页 |
| ·L1-Graph 转换学习问题描述 | 第51-52页 |
| ·矩阵三因子分解模型 | 第52页 |
| ·基于稀疏理论构造 L1-Graph | 第52-54页 |
| ·优化问题理论分析 | 第54-56页 |
| ·基于 L1-Graph 转换学习的多观测样本分类算法描述 | 第56-57页 |
| ·实验结果分析 | 第57-60页 |
| ·USPS-Binary 数字数据库上的对比实验结果 | 第57-58页 |
| ·Three-Domain Object Benchmark 数据库上的对比实验结果 | 第58-59页 |
| ·ALOI 数据库上的对比实验结果 | 第59-60页 |
| ·本章小结 | 第60-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第69-70页 |
| 致谢 | 第70-71页 |
| 作者简介 | 第71页 |
