| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-28页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-22页 |
| 1.2.1 高维数据分类现状 | 第10-20页 |
| 1.2.2 字典学习研究现状 | 第20-22页 |
| 1.3 难点与趋势分析 | 第22-24页 |
| 1.4 论文主要工作及安排 | 第24-27页 |
| 1.4.1 主要研究内容 | 第25-26页 |
| 1.4.2 论文结构安排 | 第26-27页 |
| 1.5 本章小结 | 第27-28页 |
| 2 稀疏表示理论与相关技术 | 第28-34页 |
| 2.1 主成分分析 | 第28-29页 |
| 2.2 稀疏表示理论 | 第29-31页 |
| 2.3 支持向量机 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 基于稀疏嵌入的数据降维 | 第34-50页 |
| 3.1 稀疏嵌入框架 | 第34-35页 |
| 3.2 基于稀疏嵌入的降维方法 | 第35-39页 |
| 3.2.1 降维模型构建 | 第35-36页 |
| 3.2.2 降维模型求解 | 第36-39页 |
| 3.3 降维方法的实验结果与分析 | 第39-47页 |
| 3.3.1 收敛性验证 | 第39-40页 |
| 3.3.2 可视化分析 | 第40-44页 |
| 3.3.3 分类性能验证 | 第44-47页 |
| 3.4 本章小结 | 第47-50页 |
| 4 基于Hinge损失的判别特征学习与分类 | 第50-62页 |
| 4.1 判别特征的选择策略 | 第50-52页 |
| 4.2 基于Hinge损失的判别特征学习 | 第52-58页 |
| 4.2.1 判别特征学习模型构建 | 第53-54页 |
| 4.2.2 基于坐标轮换的模型求解 | 第54-58页 |
| 4.3 基于SEMMDL的数据分类方法 | 第58页 |
| 4.4 判别特征学习与分类的实验结果与分析 | 第58-61页 |
| 4.4.1 收敛性验证 | 第59页 |
| 4.4.2 分类性能验证 | 第59-61页 |
| 4.5 本章小结 | 第61-62页 |
| 5 基于字典学习的高维数据分类实验与对比分析 | 第62-76页 |
| 5.1 实验仿真环境 | 第62-63页 |
| 5.2 实验数据集 | 第63-66页 |
| 5.2.1 ExtendedYaleB | 第63页 |
| 5.2.2 ARFace | 第63-64页 |
| 5.2.3 Caltech-101 | 第64-65页 |
| 5.2.4 FifteenSceneCategories | 第65-66页 |
| 5.3 实验结果及分析 | 第66-74页 |
| 5.3.1 分类性能分析 | 第66-69页 |
| 5.3.2 稳定性能分析 | 第69-72页 |
| 5.3.3 运行效率分析 | 第72-73页 |
| 5.3.4 实验评测小结 | 第73-74页 |
| 5.4 本章小结 | 第74-76页 |
| 6 结论与展望 | 第76-78页 |
| 6.1 论文主要工作总结 | 第76-77页 |
| 6.2 后续工作展望 | 第77-78页 |
| 致谢 | 第78-80页 |
| 参考文献 | 第80-86页 |
| 附录 | 第86页 |
| A.作者在攻读硕士学位期间发表的论文 | 第86页 |
| B.作者在攻读硕士学位期间取得的科研成果 | 第86页 |
| C.攻读硕士学位期间参加的科研项目 | 第86页 |