论文目录 | |
摘要 | 第1-6页 |
abstract | 第6-13页 |
第一章 绪论 | 第13-20页 |
1.1 研究工作的背景与意义 | 第13-14页 |
1.2 数据降维方法的国内外研究历史与现状 | 第14-17页 |
1.2.1 子空间学习方法 | 第14-16页 |
1.2.2 特征选择方法 | 第16-17页 |
1.3 本论文的结构安排 | 第17-20页 |
第二章 基于非负和自适应稀疏约束的子空间学习的无监督特征选择 | 第20-41页 |
2.1 基于子空间学习的无监督特征选择模型 | 第20页 |
2.2 原始组合优化模型 | 第20-21页 |
2.3 非负稀疏子空间学习模型 | 第21-22页 |
2.4 迭代支撑检测 (ISD) | 第22-23页 |
2.4.1 ISD在压缩感知中的应用 | 第22-23页 |
2.4.2 ISD方法与迭代加权 ?_1范数算法比较 | 第23页 |
2.5 非负自适应稀疏子空间学习模型 | 第23-30页 |
2.5.1 解非负加权稀疏子空间学习 | 第24-29页 |
2.5.1.1 参数设置 | 第25-26页 |
2.5.1.2 求解关于W的子问题 | 第26-27页 |
2.5.1.3 求解关于H的子问题 | 第27页 |
2.5.1.4 算法复杂度分析 | 第27-28页 |
2.5.1.5 算法收敛性分析 | 第28-29页 |
2.5.2 ISD框架中自适应权重的决定 | 第29-30页 |
2.6 讨论 | 第30-31页 |
2.7 核化非负自适应稀疏性子空间学习 | 第31-33页 |
2.7.1 核化非负加权稀疏子空间学习 | 第31-33页 |
2.7.2 算法复杂度分析 | 第33页 |
2.8 实验研究 | 第33-40页 |
2.8.1 数据库 | 第33-34页 |
2.8.2 实验设置 | 第34-35页 |
2.8.3 实验结果 | 第35-40页 |
2.8.3.1 实验效果比较 | 第35页 |
2.8.3.2 同所有特征效果比较 | 第35-37页 |
2.8.3.3 核方法的实验效果 | 第37页 |
2.8.3.4 参数的敏感性 | 第37-40页 |
2.9 本章小结 | 第40-41页 |
第三章 基于全局和局部结构保持稀疏子空间学习的无监督特征选择 | 第41-62页 |
3.1 全局和局部结构保持子空间学习模型的一般形式 | 第41页 |
3.2 局部结构保持的正则项 | 第41-43页 |
3.2.1 局部线性嵌入 | 第42页 |
3.2.2 线性保持投影 | 第42-43页 |
3.3 松弛模型 | 第43-44页 |
3.4 求解提出的稀疏子空间学习模型 | 第44-55页 |
3.4.1 贪婪算法求解问题(3-1) | 第44-46页 |
3.4.2 加速的BCU方法求解问题(3-10) | 第46-49页 |
3.4.2.1 参数设置 | 第47-48页 |
3.4.2.2 求解变量W的子问题 | 第48-49页 |
3.4.3 计算复杂度分析 | 第49-50页 |
3.4.4 收敛性分析 | 第50-55页 |
3.5 实验研究 | 第55-58页 |
3.5.1 数据库 | 第55-56页 |
3.5.2 实验设置 | 第56页 |
3.5.3 实验结果 | 第56-58页 |
3.5.3.1 实验效果对比 | 第56-57页 |
3.5.3.2 同所有特征效果比较 | 第57-58页 |
3.5.3.3 参数的敏感性 | 第58页 |
3.6 本章小结 | 第58-62页 |
第四章 基于判别稀疏子空间学习的无监督特征选择 | 第62-84页 |
4.1 非负Laplacian嵌入 | 第62-66页 |
4.1.1 Laplacian嵌入 | 第62-64页 |
4.1.2 比例切割 | 第64-65页 |
4.1.3 非负Laplacian嵌入 | 第65-66页 |
4.2 两步判别稀疏子空间学习模型 | 第66-69页 |
4.2.1 模型的建立 | 第66页 |
4.2.2 模型的求解 | 第66-69页 |
4.2.2.1 参数设定 | 第67-68页 |
4.2.2.2 求解变量W的子问题 | 第68-69页 |
4.3 联合判别稀疏子空间学习模型 | 第69-72页 |
4.3.1 求解关于变量G的子问题 | 第70页 |
4.3.2 收敛性分析 | 第70-72页 |
4.4 计算复杂度分析 | 第72-73页 |
4.5 NASSL,GLoSS和JDSSL三种算法计算复杂度的比较分析 | 第73页 |
4.6 核化的判别稀疏子空间学习 | 第73-75页 |
4.7 讨论 | 第75-76页 |
4.8 实验研究 | 第76-83页 |
4.8.1 数据库 | 第76页 |
4.8.2 实验设置 | 第76-77页 |
4.8.3 实验结果 | 第77-83页 |
4.8.3.1 实验效果 | 第77-80页 |
4.8.3.2 同所有特征效果比较 | 第80页 |
4.8.3.3 同核方法的实验效果比较 | 第80-81页 |
4.8.3.4 参数敏感性 | 第81-83页 |
4.9 本章小结 | 第83-84页 |
第五章 基于最大相关熵准则稀疏子空间学习的鲁棒无监督特征选择 | 第84-106页 |
5.1 最大相关熵准则 | 第84-86页 |
5.2 基于最大相关熵准则的稀疏子空间学习模型 | 第86页 |
5.3 求解基于MCC的鲁棒稀疏子空间学习模型 | 第86-98页 |
5.3.1 通过半方来转化模型 | 第87页 |
5.3.2 加速的BCU方法对问题进行求解 | 第87-90页 |
5.3.2.1 求解关于变量W的子问题 | 第88-89页 |
5.3.2.2 求解关于变量H的子问题 | 第89页 |
5.3.2.3 求解关于变量y的子问题 | 第89页 |
5.3.2.4 参数设定 | 第89-90页 |
5.3.3 计算复杂度分析 | 第90-91页 |
5.3.4 收敛性分析 | 第91-98页 |
5.4 讨论 | 第98页 |
5.5 实验研究 | 第98-104页 |
5.5.1 数据库 | 第99页 |
5.5.2 局外点检测 | 第99-100页 |
5.5.3 对含有局外点的人脸数据重构 | 第100-101页 |
5.5.4 无监督特征选择 | 第101-104页 |
5.5.4.1 实验设置 | 第101-102页 |
5.5.4.2 实验效果比较 | 第102-104页 |
5.5.4.3 参数敏感性 | 第104页 |
5.6 本章小结 | 第104-106页 |
第六章 基于最大相关熵准则和高阶流型约束的稀疏主成分分析对图像的表达 | 第106-130页 |
6.1 稀疏主成分分析 | 第106-107页 |
6.2 超图学习 | 第107-109页 |
6.3 多超图正则项 | 第109-110页 |
6.4 基于最大相关熵准则的样本均值 | 第110-111页 |
6.5 基于MCC的鲁棒高阶流形约束SCA | 第111-113页 |
6.5.1 基于MCC的鲁棒SPCA | 第112页 |
6.5.2 基于MCC的鲁棒多超图约束SPCA | 第112-113页 |
6.6 求解鲁棒多超图约束SPCA模型 | 第113-119页 |
6.6.1 通过HQ方法变形 | 第113-114页 |
6.6.2 通过加速BCU求解问题 | 第114-118页 |
6.6.2.1 求解关于τ的子问题 | 第115页 |
6.6.2.2 求解关于y的子问题 | 第115-116页 |
6.6.2.3 求解关于W的子问题 | 第116页 |
6.6.2.4 求解关于H的子问题 | 第116-117页 |
6.6.2.5 参数设定 | 第117-118页 |
6.6.3 计算复杂度分析 | 第118-119页 |
6.6.4 收敛性分析 | 第119页 |
6.7 讨论 | 第119-120页 |
6.8 实验研究 | 第120-129页 |
6.8.1 数据库 | 第120-121页 |
6.8.2 人脸重构 | 第121-123页 |
6.8.3 聚类问题 | 第123-128页 |
6.8.4 分类问题 | 第128-129页 |
6.8.5 参数敏感性 | 第129页 |
6.9 本章小结 | 第129-130页 |
第七章 全文总结与展望 | 第130-132页 |
7.1 全文总结 | 第130页 |
7.2 后续工作展望 | 第130-132页 |
致谢 | 第132-133页 |
参考文献 | 第133-141页 |
攻读博士学位期间取得的成果 | 第141-142页 |