声明
摘要
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 本文的研究工作
1.4 内容安排
第2章 高阶张量数据的稀疏分解和特征提取
2.1 引言
2.2 张量数据的分解
2.3 稀疏高维主元分析
2.3.1 稀疏高维主元分析的导出
2.3.2 目标方程
2.4 求解策略
2.5 初始化及参数调整
2.6 测度——校正的累计可解释方差
2.7 实验及结果分析
2.7.1 实验数据及测量准则
2.7.2 合成数据上的验证实验
2.7.3 图片及动作视频的分类
2.8 本章小结
第3章 基于类字典的多任务聚类
3.1 引言
3.2 相关工作
3.2.1 k-means算法
3.2.2 利用字典来表达类信息
3.3 MtCluster算法及求解步骤
3.3.1 目标函数的优化过程
3.4 聚类实验
3.4.1 参数设定
3.4.2 数据集及聚类结果
3.5 本章小结
第4章 面向聚类的异构无标签数据的迁移
4.1 引言
4.2 基于稀疏表达及字典学习的异构特征迁移学习
4.2.1 优化目标函数(4.1)的求解步骤
4.3 基于保持结构连接性的异构数据选择及迁移
4.4 实验验证
4.4.1 数据集
4.4.2 参数设置及测量准则
4.4.3 实验对照
4.5 本章小结
第5章 基于稀疏表达及字典学习的分类
5.1 引言
5.2 相关工作
5.3 特色字典与共享字典
5.4 优化策略
5.4.1 固定字典D以更新稀疏系数矩阵Ac
5.4.2 固定稀疏系数矩阵Ac以更新字典D
5.4.3 字典的初始化
5.5 模型的物理意义
5.6 实验及结果分析
5.6.1 分类机制
5.6.2 合成数据的测试
5.6.3 现实数据的测试
5.7 本章小结
第6章 面向分类的多特征数据融合方法
6.1 引言
6.2 相关工作
6.3 基于字典学习的多特征融合
6.3.1 利用多个特征进行字典学习
6.3.2 多特征融合
6.3.3 初始化和约束项的问题
6.4 分类策略
6.5 实验及结果分析
6.5.1 特征与参数的说明
6.5.2 人脸识别
6.5.3 在不同融合条件下人脸识别的分析
6.6 展望
第7章 总结与展望
7.1 本文的贡献及总结
7.2 未来展望
参考文献
攻读硕士学位期间主要研究成果
致谢