| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 选题及研究背景 | 第9-10页 |
| 1.2 本文研究内容和组织框架 | 第10-13页 |
| 第二章 相关技术介绍 | 第13-18页 |
| 2.1 稀疏学习简介 | 第13页 |
| 2.2 超图简介 | 第13-15页 |
| 2.3 低秩表示 | 第15页 |
| 2.4 子空间学习 | 第15-16页 |
| 2.5 属性选择 | 第16-18页 |
| 第三章 基于局部结构学习的无监督谱属性选择算法 | 第18-36页 |
| 3.1 引言 | 第18-19页 |
| 3.2 算法描述和优化 | 第19-25页 |
| 3.2.1 算法背景 | 第19-20页 |
| 3.2.2 LSL_FS算法 | 第20-21页 |
| 3.2.3 算法优化 | 第21-24页 |
| 3.2.4 优化算法收敛性证明 | 第24-25页 |
| 3.3 实验结果和分析 | 第25-35页 |
| 3.3.1 实验数据和评价指标 | 第25-27页 |
| 3.3.2 实验结果分析 | 第27-35页 |
| 3.4 小结 | 第35-36页 |
| 第四章 基于超图表示的低秩属性选择算法用于回归分析 | 第36-47页 |
| 4.1 引言 | 第36-37页 |
| 4.2 算法描述和优化 | 第37-42页 |
| 4.2.1 算法背景 | 第37页 |
| 4.2.2 LHSL_FS算法 | 第37-39页 |
| 4.2.3 算法优化 | 第39-40页 |
| 4.2.4 优化算法收敛性证明 | 第40-42页 |
| 4.3 实验结果和分析 | 第42-46页 |
| 4.3.1 实验数据集和对比算法 | 第42-43页 |
| 4.3.2 实验结果和分析 | 第43-46页 |
| 4.4 小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 总结 | 第47-48页 |
| 5.2 展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 攻读硕士期间取得的科研成果 | 第53-54页 |
| 攻读硕士期间获得的奖项 | 第54页 |
| 攻读硕士期间研究项目情况 | 第54-55页 |
| 致谢 | 第55-56页 |