| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 基于筛选的稀疏模型加速方法 | 第12-13页 |
| 1.2.2 在线鲁棒性主成分子空间学习 | 第13-14页 |
| 1.2.3 稀疏主成分子空间学习和压缩感知 | 第14-15页 |
| 1.3 本文研究内容和主要贡献 | 第15-16页 |
| 1.4 论文章节组织结构 | 第16-19页 |
| 1.4.1 记号 | 第17-19页 |
| 第2章 基于筛选的多分类稀疏支持向量机加速算法 | 第19-53页 |
| 2.1 引言 | 第19-24页 |
| 2.1.1 筛选方法 | 第20-21页 |
| 2.1.2 二分类稀疏支持向量机筛选算法 | 第21-24页 |
| 2.2 基于筛选的多分类稀疏支持向量机加速算法 | 第24-40页 |
| 2.2.1 多分类稀疏支持向量机模型 | 第24-25页 |
| 2.2.2 MC-SIFS筛选方法 | 第25-35页 |
| 2.2.3 加速算法 | 第35-40页 |
| 2.3 实验 | 第40-52页 |
| 2.3.1 实验设定 | 第42-45页 |
| 2.3.2 实验结果 | 第45-52页 |
| 2.4 本章小结 | 第52-53页 |
| 第3章 基于截断核范数正则化的在线鲁棒性主成分分析方法 | 第53-71页 |
| 3.1 引言 | 第53-55页 |
| 3.2 截断核范数正则化在线鲁棒性主成分分析 | 第55-64页 |
| 3.2.1 理论基础 | 第56-58页 |
| 3.2.2 算法框架 | 第58-61页 |
| 3.2.3 优化方法 | 第61-64页 |
| 3.3 实验 | 第64-68页 |
| 3.3.1 实验设定 | 第65-66页 |
| 3.3.2 实验结果 | 第66-68页 |
| 3.4 本章小结 | 第68-71页 |
| 第4章 基于对称秩-1投影的单遍历稀疏主成分子空间学习 | 第71-91页 |
| 4.1 研究动机和问题 | 第71-74页 |
| 4.1.1 相关研究背景 | 第71-73页 |
| 4.1.2 问题设定 | 第73-74页 |
| 4.1.3 记号 | 第74页 |
| 4.2 基于对称秩-1投影的单遍历稀疏主成分子空间学习 | 第74-78页 |
| 4.2.1 SP2SL-SROP算法 | 第74-76页 |
| 4.2.2 复杂度分析 | 第76-77页 |
| 4.2.3 算法收敛性结果 | 第77-78页 |
| 4.3 理论分析 | 第78-89页 |
| 4.3.1 引理4.1的证明 | 第78-80页 |
| 4.3.2 定理4.1的证明 | 第80-89页 |
| 4.4 本章小结 | 第89-91页 |
| 第5章 总结与展望 | 第91-93页 |
| 5.1 本文工作总结 | 第91-92页 |
| 5.2 未来工作展望 | 第92-93页 |
| 参考文献 | 第93-101页 |
| 攻读博士学位期间的主要研究成果 | 第101-103页 |
| 致谢 | 第103页 |
