基于降维与特征选择的高维数据分析方法研究 |
论文目录 | | | 摘要 | 第1-6页 | | ABSTRACT | 第6-10页 | | 第一章 绪论 | 第10-14页 | | 1.1 研究背景 | 第10-11页 | | 1.2 国内外研究现状 | 第11-12页 | | 1.3 主要研究内容 | 第12-13页 | | 1.4 论文结构安排 | 第13-14页 | | 第二章 关键理论基础和技术 | 第14-18页 | | 2.1 鲁棒主成分分析算法 | 第14-15页 | | 2.2 鲁棒张量主成分分析算法 | 第15-17页 | | 2.3 本章小结 | 第17-18页 | | 第三章 基于l2,1范数的鲁棒主成分分析算法研究 | 第18-38页 | | 3.1 研究背景与现状 | 第18-19页 | | 3.2 基于l2,1范数的鲁棒主成分分析算法设计 | 第19-23页 | | 3.2.1 算法思想 | 第19-20页 | | 3.2.2 算法流程 | 第20-23页 | | 3.3 实验对比以及分析 | 第23-36页 | | 3.3.1 数值模拟实验 | 第24-25页 | | 3.3.2 图像降噪场景 | 第25-32页 | | 3.3.3 手写数字识别场景 | 第32-36页 | | 3.4 本章小结 | 第36-38页 | | 第四章 基于低秩张量恢复的鲁棒张量主成分分析算法研究 | 第38-62页 | | 4.1 研究背景与现状 | 第38-39页 | | 4.2 基于低秩张量恢复的张量鲁棒主成分分析算法设计 | 第39-44页 | | 4.2.1 符号及相关概念 | 第39-40页 | | 4.2.2 算法思想 | 第40-41页 | | 4.2.3 算法流程 | 第41-44页 | | 4.3 实验对比及分析 | 第44-61页 | | 4.3.1 数值模拟实验 | 第45页 | | 4.3.2 图像降噪场景 | 第45-53页 | | 4.3.3 手写数字识别场景 | 第53-55页 | | 4.3.4 司机危险行为分类 | 第55-61页 | | 4.4 本章小结 | 第61-62页 | | 第五章 总结与展望 | 第62-64页 | | 5.1 本文研究工作总结 | 第62-63页 | | 5.2 未来研究工作展望 | 第63-64页 | | 参考文献 | 第64-70页 | | 致谢 | 第70-72页 | | 攻读学位期间取得的研究成果 | 第72页 |
|
|
|
