稀疏學習、分類與識別 稀疏学习、分类与识别

第1章引言
1.1機器學習理論
1.1.1維數約簡
1.1.2稀疏與低秩
1.1.3半監督學習
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壓縮感知的重構算法介紹
1.3高光譜遙感技術
1.3.1遙感技術
1.3.2高光譜遙感技術發展現狀
1.3.3高光譜遙感技術的應用
參考文獻

第2章機器學習理論基礎
2.1維數約簡的研究進展
2.1.1子空間分割
2.1.2稀疏表示
2.1.3矩陣恢復與填充
2.1.4非線性降維
2.2半監督學習與核學習的研究進展
2.2.1半監督學習
2.2.2非參數核學習
參考文獻

第3章快速密度加權低秩近似譜聚類
3.1引言
3.2背景與相關工作
3.2.1譜聚類算法
3.2.2近鄰傳播算法
3.2.3Nystrom方法
3.3全局距離測度與採樣算法
3.3.1全局距離
3.3.2快速採樣算法
3.4快速兩階段譜聚類框架
3.4.1採樣階段
3.4.2正交化的密度加權近似譜聚類階段
3.5算法分析
3.5.1採樣算法比較
3.5.2有效性分析
3.5.3快速近鄰搜索
3.5.4複雜度分析
3.6實驗結果
3.6 .1雙螺旋線數據
3.6.2實際數據
3.6.3評價指標
3.6.4比較算法
3.6.5聚類結果
3.6.6參數穩定性分析
3.6.7譜嵌入
參考文獻
附錄

第4章雙圖正則非負矩陣分解
4.1引言
4.2相關工作
4.2.1非負矩陣分解
4.2.2圖正則非負矩陣分解
4.2.3雙正則聯合聚類
4.3雙圖正則非負矩陣分解方法
4.3.1數據圖與特徵圖
4.3. 2DNMF模型
4.3.3疊代更新規則
4.3.4收斂性分析
4.4雙圖正則非負矩陣三分解
4.4.1DNMTF模型
4.4.2疊代規則
4.4.3收斂性分析
4.4.4複雜度分析
4.5實驗
4.5.1比較算法
4.5.2UCI數據
4.5.3圖像數據
4.5.4穩定性分析
4.5.5雷達高分辨距離像數據
參考文獻
附錄A（定理4.1的證明）
附錄B（定理4.2的證明）

第5章學習魯棒低秩矩陣分解
5.1引言
5.2相關工作及研究進展
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基於交替方向法的疊代算法
5.4.1引入輔助變量
5.4.2疊代求解算法
5.4.3求解單子空間模型
5.4 .4拓展應用於矩陣填充
5.4.5複雜度分析
5.5實驗
5.5.1人工數據聚類
5，5.2人臉聚類
5.5.3背景建模
5.5.4圖像修復
參考文獻

第6章學習譜表示應用於半監督聚類
6.1引言
6.2圖的創建與譜表示
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目標函數
6.3.2問題求解
6.4算法
6.4.1半監督聚類
6.4.2直推式分類
6.4.3複雜度分析
6.5實驗
6.5.1比較算法與參數設置
6.5.2人工數據集
6.5.3向量型數據
6.5.4圖結構數據
6.5.5半監督聚類應用
6.5.6直推式分類應用
參考文獻

第7章應用低秩矩陣填充學習數據表示
7.1引言
7.2學習譜表示框架
7.2.1核矩陣填充
7.2.2提升矩陣學習模型
7.3特徵值疊代閾值算法
7.3.1改進的不動點算法
7.3.2加速策略
7.3.3半監督聚類
7.3.4推廣到分類問題
7.3.5複雜度分析
7.4收斂性分析
7.5實驗
7.5.1學習譜表示
7.5.2比較算法與參數設置
7.5.3向量型數據
7.5.4圖結構數據
7.5.5分類應用
參考文獻
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章結合約束與低秩核學習的半監督學習
8.1引言
8.2符號與相關工作
8.3複合信息半監督學習框架
8.3.1基本框架
8.3.2核範數正則模型
8.4半監督學習算法
8.4.1改進的不動點疊代算法
8.4.2連續性策略和BB步長技術
8.4.3標籤傳播
8.5算法分析
8.5.1收斂性分析
8.5.2合法核
8.5.3複雜度分析
8.5.4歸納分類
8.6實驗
8.6.1比較算法與參數設置
8.6.2交叉螺旋線數據
8.6.3實際數據
8.6.4直推式分類
8.6.5歸納分類
參考文獻

第9章基於子空間類標傳播和正則判別分析的單標記圖像人臉識別
第10章基於雙線性回歸的單標記圖像人臉識別
第11章基於旋轉擴展和稀疏表示的魯棒遙感圖像目標識別
第12章壓縮感知理論基礎
第13章基於分塊策略和過完備字典的非凸壓縮感知框
第14章基於協同優化的稀疏重構
第15章基於過完備字典的方向結構估計模型及重構方法
第16章基於光譜信息散度與稀疏表示的高光譜圖像分類
第17章基於多特徵核稀疏表示學習的高光譜圖像分類