高维线性回归算法比较研究
| 致谢 | 第5-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-14页 |
| 1.1.1 压缩感知 | 第10-12页 |
| 1.1.2 变量选择 | 第12-14页 |
| 1.1.3 研究意义 | 第14页 |
| 1.2 预备知识 | 第14-15页 |
| 1.3 本文主要工作 | 第15-16页 |
| 1.4 本文结构 | 第16-17页 |
| 第2章 高维线性回归算法概述 | 第17-26页 |
| 2.1 贪婪迭代算法 | 第17-22页 |
| 2.1.1 压缩追踪系列算法 | 第17-19页 |
| 2.1.2 迭代阈值类算法 | 第19-21页 |
| 2.1.3 硬阈值追踪算法 | 第21页 |
| 2.1.4 坐标下降类算法 | 第21-22页 |
| 2.2 l_1正则最小二乘方法 | 第22-24页 |
| 2.2.1 Lasso | 第22-23页 |
| 2.2.2 最小角回归算法 | 第23-24页 |
| 2.3 非凸正则最小二乘方法 | 第24-25页 |
| 2.3.1 SCAD | 第24页 |
| 2.3.2 MCP | 第24-25页 |
| 2.3.3 SDAR | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 牛顿算法与自适应牛顿算法 | 第26-34页 |
| 3.1 投影和牛顿步 | 第26-27页 |
| 3.2 牛顿算法框架 | 第27页 |
| 3.3 牛顿算法细化 | 第27-29页 |
| 3.4 自适应牛顿算法 | 第29-33页 |
| 3.4.1 自适应牛顿算法设计思路 | 第29-30页 |
| 3.4.2 调整参数S的选取及算法框架 | 第30-32页 |
| 3.4.3 调整参数S选择方案的数值实验 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 数值实验 | 第34-45页 |
| 4.1 数值实验Ⅰ | 第34-36页 |
| 4.2 数值实验Ⅱ | 第36-37页 |
| 4.3 数值实验Ⅲ | 第37-44页 |
| 4.3.1 精度和效率 | 第37-39页 |
| 4.3.2 模型参数的影响 | 第39-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 总结与展望 | 第45-47页 |
| 5.1 本文总结 | 第45页 |
| 5.2 未来工作 | 第45-47页 |
| 参考文献 | 第47-49页 |
| 作者简历 | 第49-51页 |
| 学位论文数据集 | 第51页 |
