| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 引言 | 第11-16页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12页 |
| 1.3 相关研究现状 | 第12-14页 |
| 1.3.1 极限学习机(ELM) | 第12-13页 |
| 1.3.2 Adaboost 算法 | 第13页 |
| 1.3.3 局部二值模式(LBP) | 第13页 |
| 1.3.4 非负矩阵分解(NMF) | 第13-14页 |
| 1.4 研究内容和目标 | 第14页 |
| 1.5 本文结构安排 | 第14-16页 |
| 第2章 相关算法的研究 | 第16-21页 |
| 2.1 ELM 的研究与应用 | 第16-17页 |
| 2.2 Adaboost 的研究 | 第17-19页 |
| 2.3 LBP 的研究 | 第19-21页 |
| 第3章 非负矩阵分解相关算法及应用 | 第21-41页 |
| 3.1 基本概念 | 第21页 |
| 3.2 基本性能 | 第21-22页 |
| 3.3 带约束的 NMF 算法 | 第22-27页 |
| 3.3.1 稀疏约束的 NMF 算法 | 第22-23页 |
| 3.3.2 正交约束的 NMF 算法 | 第23-24页 |
| 3.3.3 图正则约束的 NMF 算法(GNMF) | 第24-26页 |
| 3.3.4 更新规则 | 第26-27页 |
| 3.4 正交非单位化及图正则约束的 NMF | 第27-40页 |
| 3.4.1 基本概念 | 第28页 |
| 3.4.2 更新规则 | 第28-30页 |
| 3.4.3 收敛性证明 | 第30-33页 |
| 3.4.4 聚类及重构效果比较 | 第33-34页 |
| 3.4.5 临近值 p 的影响 | 第34-35页 |
| 3.4.6 权值矩阵的选择对比 | 第35-37页 |
| 3.4.7 收敛速度的比较 | 第37页 |
| 3.4.8 正交非单位化的特性 | 第37-38页 |
| 3.4.9 图正则化的特性 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 结合 ELM、Adaboost 以及 LBP 算法及其应用 | 第41-52页 |
| 4.1 多类 ELM 算法 | 第41-42页 |
| 4.2 基于人脸识别的 LBP 算法 | 第42-43页 |
| 4.3 PCA 算法的研究 | 第43-44页 |
| 4.4 实验 | 第44-49页 |
| 4.4.1 参数 C 与 L 对算法的影响 | 第45-46页 |
| 4.4.2 算法稳定性分析 | 第46-47页 |
| 4.4.3 测试参数 M 对算法的影响 | 第47-48页 |
| 4.4.4 不同数据集下的对比 | 第48-49页 |
| 4.4.5 PCA 算法的分析 | 第49页 |
| 4.5 计算复杂度分析 | 第49-50页 |
| 4.6 不同算法间准确率分析 | 第50页 |
| 4.7 本章小结 | 第50-52页 |
| 第5章 基于 ELM 与不同非负矩阵分解法的数据表示方法 | 第52-63页 |
| 5.1 ELM 与 NMF 结合的算法 | 第52-55页 |
| 5.1.1 ELM 特征映射 | 第52-53页 |
| 5.1.2 EFM NMF 算法 | 第53-54页 |
| 5.1.3 ELM 与基于子空间约束的 NMF 算法结合 | 第54-55页 |
| 5.2 具体实验分析 | 第55-61页 |
| 5.2.1 评测方法 | 第55页 |
| 5.2.2 算法比较 | 第55-58页 |
| 5.2.3 不同特征映射的考量 | 第58-61页 |
| 5.3 本章小结 | 第61-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 附录 | 第71-72页 |
| 详细摘要 | 第72-74页 |
