| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10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 |
| ·本文主要研究成果 | 第13-14页 |
| ·本文组织结构 | 第14-16页 |
| 第2章 多观测样本分类的理论基础 | 第16-22页 |
| ·多观测样本的定义 | 第16-17页 |
| ·多观测样本分类的问题描述 | 第17页 |
| ·多观测样本分类与单观测样本分类的比较 | 第17-18页 |
| ·基于参数模型的多观测样本分类算法 | 第18-19页 |
| ·基于非参数模型的多观测样本分类算法 | 第19-21页 |
| ·MSM 算法 | 第19-20页 |
| ·MMD 算法 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第3章 基于 L1-Graph 的标记传播多观测样本分类算法 | 第22-33页 |
| ·引言 | 第22-23页 |
| ·基于 L1-Graph 的标记传播多观测样本分类 | 第23-27页 |
| ·基于稀疏表示构造 L1-Graph | 第23-24页 |
| ·标记传播多观测样本的分类 | 第24-27页 |
| ·基于 L1-Graph 的标记传播多观测样本分类的算法描述 | 第27-28页 |
| ·实验结果与分析 | 第28-32页 |
| ·USPS 手写体数字识别 | 第28-29页 |
| ·ETH-80 物体识别 | 第29-31页 |
| ·Cropped Yale 人脸识别 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第4章 基于 L1 范数凸包描述的多观测样本分类算法 | 第33-42页 |
| ·引言 | 第33页 |
| ·基于 L1 范数凸包描述的多观测样本分类算法 | 第33-34页 |
| ·基本概念 | 第34页 |
| ·系统组成 | 第34页 |
| ·基于 L1 范数凸包描述的构造层模型 | 第34-37页 |
| ·最近邻分类判别层模型 | 第37页 |
| ·L1_CHDD 算法和 1NN 算法、SVM 算法的比较与分析 | 第37页 |
| ·实验仿真 | 第37-41页 |
| ·Binary 手写体识别实验 | 第38-39页 |
| ·ETH-80 物体识别实验 | 第39-40页 |
| ·ORL 人脸识别实验 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第5章 基于 KDCC 的多观测样本分类算法 | 第42-53页 |
| ·引言 | 第42页 |
| ·本章研究问题的描述和系统组成 | 第42-43页 |
| ·基于 KDCC 的多观测样本分类算法的训练过程 | 第43-48页 |
| ·训练图像集的 KPCA 变换和核子空间 | 第43-44页 |
| ·KDCC 矩阵和 Fisher’s 线性判别 | 第44-45页 |
| ·KDCC 矩阵和 kernel Fisher discriminant(KFD) | 第45-47页 |
| ·KDCC 算法 | 第47-48页 |
| ·参考子空间(reference subspace) | 第48页 |
| ·基于 KDCC 的多观测样本分类算法的测试过程 | 第48-49页 |
| ·实验结果与分析 | 第49-52页 |
| ·USPS 手写体数字识别实验 | 第49-50页 |
| ·ETH-80 物体识别实验 | 第50-51页 |
| ·AR 人脸识别实验 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第59-60页 |
| 致谢 | 第60-61页 |
| 作者简介 | 第61页 |
