基于稀疏性的机器学习方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-16页 |
| ·研究背景 | 第8-11页 |
| ·机器学习概述 | 第8-10页 |
| ·稀疏性理论概述 | 第10-11页 |
| ·研究目的与意义 | 第11-13页 |
| ·研究内容与创新 | 第13页 |
| ·论文架构安排 | 第13-16页 |
| 第二章 稀疏性在机器学习方法中的应用 | 第16-30页 |
| ·稀疏编码在模式识别问题中的应用 | 第16-21页 |
| ·稀疏编码基本概念 | 第16-17页 |
| ·基于稀疏编码的模式分类算法 | 第17-21页 |
| ·稀疏性在核方法中的应用 | 第21-24页 |
| ·核理论基本概念 | 第21-23页 |
| ·稀疏性在核方法中的应用 | 第23-24页 |
| ·稀疏性在谱图方法中的应用 | 第24-26页 |
| ·谱图理论基本概念 | 第24页 |
| ·常用的稀疏图构造方法 | 第24-26页 |
| ·稀疏性在其它机器学习方法中的应用 | 第26-29页 |
| ·稀疏贝叶斯学习 | 第26-28页 |
| ·稀疏神经网络 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 基于稀疏中心核编码的分类算法 | 第30-42页 |
| ·核稀疏编码分类算法 | 第30-32页 |
| ·基于稀疏中心核编码的分类算法 | 第32-34页 |
| ·中心样本矩阵的构造 | 第32-33页 |
| ·基于稀疏中心核编码的分类算法 | 第33-34页 |
| ·实验结果与分析 | 第34-40页 |
| ·实验数据库介绍 | 第34-36页 |
| ·在标准人脸数据库上的实验结果 | 第36-37页 |
| ·在手写体数字数据库上的实验结果 | 第37-38页 |
| ·实验分析 | 第38-40页 |
| ·本章小结 | 第40-42页 |
| 第四章 基于核图的半监督分类算法 | 第42-54页 |
| ·半监督学习 | 第42-44页 |
| ·基于l_1图分类算法 | 第44-45页 |
| ·基于核l_1图的半监督分类算法 | 第45-47页 |
| ·基于图的半监督分类算法 | 第45-46页 |
| ·基于核l_1图的半监督分类算法 | 第46-47页 |
| ·实验结果与分析 | 第47-53页 |
| ·在人工构造螺旋线数据上的结果 | 第47-49页 |
| ·在人脸数据库上的结果 | 第49-50页 |
| ·在手写体数字数据库上的结果 | 第50-51页 |
| ·实验分析 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第五章 基于核低秩编码的子空间分割算法 | 第54-66页 |
| ·子空间分割介绍 | 第54-56页 |
| ·子空间分割基本概念 | 第54-55页 |
| ·常用子空间分割方法 | 第55-56页 |
| ·基于低秩编码的子空间分割算法 | 第56-58页 |
| ·基于核低秩编码的子空间分割算法 | 第58-59页 |
| ·实验结果与分析 | 第59-64页 |
| ·人工数据的实验结果 | 第59-62页 |
| ·人脸数据库的实验结果 | 第62-63页 |
| ·手写体数字数据库的实验结果 | 第63-64页 |
| ·实验分析 | 第64页 |
| ·本章小结 | 第64-66页 |
| 第六章 总结与展望 | 第66-68页 |
| ·本论文内容总结 | 第66页 |
| ·工作展望 | 第66-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-78页 |
| 研究成果 | 第78页 |
