稀疏學(xué)習(xí)、分類與識別

前言 第1章引言 1.1機(jī)器學(xué)習(xí)理論 1.1.1維數(shù)約簡 1.1.2稀疏與低秩 1.1.3半監(jiān)督學(xué)習(xí) 1.2壓縮感知理論 1.2.1壓縮感知的研究意義 1.2.2壓縮感知的理論框架 1.2.3壓縮感知的重構(gòu)算法介紹 1.3高光譜遙感技術(shù) 1.3.1遙感技術(shù) 1.3.2高光譜遙感技術(shù)發(fā)展現(xiàn)狀 1.3.3高光譜遙感技術(shù)的應(yīng)用 參考文獻(xiàn) 第2章機(jī)器學(xué)習(xí)理論基礎(chǔ) 2.1維數(shù)約簡的研究進(jìn)展 2.1.1子空間分割 2.1.2稀疏表示 2.1.3矩陣恢復(fù)與填充 2.1.4非線性降維 2.2半監(jiān)督學(xué)習(xí)與核學(xué)習(xí)的研究進(jìn)展 2.2.1半監(jiān)督學(xué)習(xí) 2.2.2非參數(shù)核學(xué)習(xí) 參考文獻(xiàn) 第3章快速密度加權(quán)低秩近似譜聚類 3.1引言 3.2背景與相關(guān)工作 3.2.1譜聚類算法 3.2.2近鄰傳播算法 3.2.3Nystrom方法 3.3全局距離測度與采樣算法 3.3.1全局距離 3.3.2快速采樣算法 3.4快速兩階段譜聚類框架 3.4.1采樣階段 3.4.2正交化的密度加權(quán)近似譜聚類階段 3.5算法分析 3.5.1采樣算法比較 3.5.2有效性分析 3.5.3快速近鄰搜索 3.5.4復(fù)雜度分析 3.6實(shí)驗(yàn)結(jié)果 3.6.1雙螺旋線數(shù)據(jù) 3.6.2實(shí)際數(shù)據(jù) 3.6.3評價指標(biāo) 3.6.4比較算法 3.6.5聚類結(jié)果 3.6.6參數(shù)穩(wěn)定性分析 3.6.7譜嵌入 參考文獻(xiàn) 附錄 第4章雙圖正則非負(fù)矩陣分解 4.1引言 4.2相關(guān)工作 4.2.1非負(fù)矩陣分解 4.2.2圖正則非負(fù)矩陣分解 4.2.3雙正則聯(lián)合聚類 4.3雙圖正則非負(fù)矩陣分解方法 4.3.1數(shù)據(jù)圖與特征圖 4.3.2DNMF模型 4.3.3迭代更新規(guī)則 4.3.4收斂性分析 4.4雙圖正則非負(fù)矩陣三分解 4.4.1DNMTF模型 4.4.2迭代規(guī)則 4.4.3收斂性分析 4.4.4復(fù)雜度分析 4.5實(shí)驗(yàn) 4.5.1比較算法 4.5.2UCI數(shù)據(jù) 4.5.3圖像數(shù)據(jù) 4.5.4穩(wěn)定性分析 4.5.5雷達(dá)高分辨距離像數(shù)據(jù) 參考文獻(xiàn) 附錄A（定理4.1的證明） 附錄B（定理4.2的證明） 第5章學(xué)習(xí)魯棒低秩矩陣分解 5.1引言 5.2相關(guān)工作及研究進(jìn)展 5.3魯棒低秩矩陣分解框架 5.3.1單子空間模型 5.3.2多子空間模型 5.4基于交替方向法的迭代算法 5.4.1引入輔助變量 5.4.2迭代求解算法 5.4.3求解單子空間模型 5.4.4拓展應(yīng)用于矩陣填充 5.4.5復(fù)雜度分析 5.5實(shí)驗(yàn) 5.5.1人工數(shù)據(jù)聚類 5，5.2人臉聚類 5.5.3背景建模 5.5.4圖像修復(fù) 參考文獻(xiàn) 第6章學(xué)習(xí)譜表示應(yīng)用于半監(jiān)督聚類 6.1引言 6.2圖的創(chuàng)建與譜表示 6.2.1對稱偏好圖 6.2.2圖拉普拉斯譜嵌入 6.3問題模型與求解 6.3.1目標(biāo)函數(shù) 6.3.2問題求解 6.4算法 6.4.1半監(jiān)督聚類 6.4.2直推式分類 6.4.3復(fù)雜度分析 6.5實(shí)驗(yàn) 6.5.1比較算法與參數(shù)設(shè)置 6.5.2人工數(shù)據(jù)集 6.5.3向量型數(shù)據(jù) 6.5.4圖結(jié)構(gòu)數(shù)據(jù) 6.5.5半監(jiān)督聚類應(yīng)用 6.5.6直推式分類應(yīng)用 參考文獻(xiàn) 第7章應(yīng)用低秩矩陣填充學(xué)習(xí)數(shù)據(jù)表示 7.1引言 7.2學(xué)習(xí)譜表示框架 7.2.1核矩陣填充 7.2.2提升矩陣學(xué)習(xí)模型 7.3特征值迭代閾值算法 7.3.1改進(jìn)的不動點(diǎn)算法 7.3.2加速策略 7.3.3半監(jiān)督聚類 7.3.4推廣到分類問題 7.3.5復(fù)雜度分析 7.4收斂性分析 7.5實(shí)驗(yàn) 7.5.1學(xué)習(xí)譜表示 7.5.2比較算法與參數(shù)設(shè)置 7.5.3向量型數(shù)據(jù) 7.5.4圖結(jié)構(gòu)數(shù)據(jù) 7.5.5分類應(yīng)用 參考文獻(xiàn) 附錄A（定理7.2的證明） 附錄B（定理7.3的證明） 附錄C（定理7.4的證明） 附錄D（定理7.6的證明） 第8章結(jié)合約束與低秩核學(xué)習(xí)的半監(jiān)督學(xué)習(xí) 8.1引言 8.2符號與相關(guān)工作 8.3復(fù)合信息半監(jiān)督學(xué)習(xí)框架 8.3.1基本框架 8.3.2核范數(shù)正則模型 8.4半監(jiān)督學(xué)習(xí)算法 8.4.1改進(jìn)的不動點(diǎn)迭代算法 8.4.2連續(xù)性策略和BB步長技術(shù) 8.4.3標(biāo)簽傳播 8.5算法分析 8.5.1收斂性分析 8.5.2合法核 8.5.3復(fù)雜度分析 8.5.4歸納分類 8.6實(shí)驗(yàn) 8.6.1比較算法與參數(shù)設(shè)置 8.6.2交叉螺旋線數(shù)據(jù) 8.6.3實(shí)際數(shù)據(jù) 8.6.4直推式分類 8.6.5歸納分類 參考文獻(xiàn) …… 第9章基于子空間類標(biāo)傳播和正則判別分析的單標(biāo)記圖像人臉識別 第10章基于雙線性回歸的單標(biāo)記圖像人臉識別 第11章基于旋轉(zhuǎn)擴(kuò)展和稀疏表示的魯棒遙感圖像目標(biāo)識別 第12章壓縮感知理論基礎(chǔ) 第13章基于分塊策略和過完備字典的非凸壓縮感知框 第14章基于協(xié)同優(yōu)化的稀疏重構(gòu) 第15章基于過完備字典的方向結(jié)構(gòu)估計(jì)模型及重構(gòu)方法 第16章基于光譜信息散度與稀疏表示的高光譜圖像分類 第17章基于多特征核稀疏表示學(xué)習(xí)的高光譜圖像分類