| Abstract | 第6页 |
| Acknowledgements | 第7-14页 |
| 1 Introduction | 第14-20页 |
| 1.1 Motivation | 第14-18页 |
| 1.1.1 Evolutionary Algorithm | 第15-16页 |
| 1.1.2 Extreme Learning Machine | 第16-17页 |
| 1.1.3 Low-rank Matrix Recovery | 第17-18页 |
| 1.2 Contributions and Organization | 第18-20页 |
| 2 Background | 第20-36页 |
| 2.1 PSO and CSA | 第20-28页 |
| 2.1.1 Particle Swarm Optimization | 第20-23页 |
| 2.1.2 Clonal Selection Algorithm | 第23-28页 |
| 2.2 Extreme Learning Machine | 第28-31页 |
| 2.3 Low-rank Representation | 第31-36页 |
| 2.3.1 LRR Model | 第31-32页 |
| 2.3.2 Optimization Methods | 第32-36页 |
| 3 Evolutionary Algorithm | 第36-74页 |
| 3.1 Introduction | 第36页 |
| 3.2 Hierarchical PSO with Latin Sampling | 第36-51页 |
| 3.2.1 Hierarchical PSO | 第37-38页 |
| 3.2.2 Mutation Strategy | 第38-39页 |
| 3.2.3 Latin Hypercube Sampling | 第39-40页 |
| 3.2.4 The Proposed MA-HPSOL Algorithm | 第40-41页 |
| 3.2.5 Experimental Studies | 第41-51页 |
| 3.3 Hybrid Learning Clonal Selection Algorithm | 第51-73页 |
| 3.3.1 Baldwin Effect and Orthogonal Design | 第51-53页 |
| 3.3.2 Baldwinian Learning | 第53-55页 |
| 3.3.3 Orthogonal Learning | 第55-57页 |
| 3.3.4 Hybrid Learning CSA | 第57-58页 |
| 3.3.5 Experimental Studies | 第58-66页 |
| 3.3.6 Discussions | 第66-73页 |
| 3.4 Summary | 第73-74页 |
| 4 Extreme Learning Machine | 第74-114页 |
| 4.1 Introduction | 第74-75页 |
| 4.2 Discriminative Graph Regularized ELM | 第75-87页 |
| 4.2.1 Model Formulation of GELM | 第75-77页 |
| 4.2.2 Experimental Studies | 第77-87页 |
| 4.3 Discriminative Manifold ELM | 第87-99页 |
| 4.3.1 Model Formulation of DMELM | 第87-89页 |
| 4.3.2 Experiments on Image Classification | 第89-94页 |
| 4.3.3 Experiments on Emotion Recognition | 第94-99页 |
| 4.4 Unsupervised Discriminative ELM | 第99-112页 |
| 4.4.1 Model Formulation of UDELM | 第100-104页 |
| 4.4.2 Experimental Studies | 第104-112页 |
| 4.5 Summary | 第112-114页 |
| 5 Low-rank Representation | 第114-150页 |
| 5.1 Introduction | 第114-117页 |
| 5.1.1 Graph-Based Semi-supervised Learning | 第115-116页 |
| 5.1.2 LRR-Based Graph Construction | 第116-117页 |
| 5.2 Structure Preserving Low-rank Representation | 第117-130页 |
| 5.2.1 SPLRR Model Formulation and Optimization | 第118-123页 |
| 5.2.2 SPLRR Based Graph Construction | 第123页 |
| 5.2.3 Experimental Studies | 第123-130页 |
| 5.3 Manifold Low-rank Representation | 第130-149页 |
| 5.3.1 Sparse Manifold Adaption | 第130-133页 |
| 5.3.2 Manifold Regularization via SMA | 第133-134页 |
| 5.3.3 Manifold Model Formulation and Optimization | 第134-137页 |
| 5.3.4 MLRR Based Graph Construction | 第137-138页 |
| 5.3.5 Computational Complexity Analysis | 第138-139页 |
| 5.3.6 Experimental Studies | 第139-149页 |
| 5.4 Summary | 第149-150页 |
| 6 Conclusion | 第150-154页 |
| 6.1 Summary of Contributions | 第150-153页 |
| 6.2 Future Work | 第153-154页 |
| Appendix A Test Functions | 第154-156页 |
| Appendix B Datasets | 第156-158页 |
| Bibliography | 第158-174页 |
| Publication | 第174-175页 |
