声明
摘要
1 绪论
1.1 模式识别的研究意义
1.2 机器学习
1.3 基于子空间的特征抽取方法
1.3.1 线性子空间学习方法概述
1.3.2 非线性子空间学习方法概述
1.4 人脸识别
1.4.1 统计方法
1.4.2 神经网络方法
1.4.3 模糊集方法
1.4.4 多分类器组合方法
1.5 文本聚类
1.6 本文研究工作概述
1.7 本文的内容安排
2 基于投影梯度非负矩阵的下逼近分解
2.1 引言
2.2 相关工作
2.2.1 非负矩阵分解
2.2.1 基于交替非负最小二乘法的NMF算法框架
2.2.2 投影梯度法
2.2.3 非负矩阵的F逼近分解
2.3 基于投影梯度非负矩阵的下逼近分解
2.3.1 改进的投影梯度法
2.3.2 基于投影梯度非负矩阵的下逼近分解
2.4 本章实验
2.5 本章小结
3 基于平滑l0范数约束的正交子空间非负矩阵分解
3.1 引言
3.2 相关工作
3.2.1 正交非负矩阵分解
3.2.2 正交子空间非负矩阵分解
3.3 基于平滑l0范数约束的正交子空间非负矩阵分解
3.3.1 平滑l0范数
3.2.2 NMFOS-SL0算法
3.3.3 NMFOS-SL0算法与梯度下降方法之间的关系
3.4 本章实验
3.5 PGNMU算法与NMFOS-SL0算法在分解矩阵稀疏性方面的比较
3.6 本章小结
4 基于模糊K最近邻图的非负矩阵分解
4.1 引言
4.2 相关工作
4.2.1 局部非负矩阵分解
4.2.2 Fisher非负矩阵分解
4.2.3 流形正则化的非负矩阵分解
4.3 基于模糊K最近邻图的非负矩阵分解算法
4.3.1 类内、类间模糊K最近邻图
4.3.2 NMF-FKNN模型
4.3.3 迭代更新规则
4.3.4 收敛性分析
4.4 本章实验
4.5 本章小结
5 双图正则化的概念分解
5.1 引言
5.2 相关工作
5.2.1 图正则化的非负矩阵分解
5.2.2 双正则化的联合聚类
5.2.3 双图正则化的非负矩阵分解
5.2.4 概念分解
5.2.5 局部连续概念分解
5.3 双图正则化的概念分解
5.3.1 数据图和特征图
5.3.2 双图正则化的概念分解模型
5.3.3 迭代更新规则
5.3.4 收敛性分析
5.3.5 复杂度分析
5.3.6 GCF算法与梯度下降算法之间的关系
5.3.7 面向一般数据矩阵的算法
5.4 本章实验
5.5 NMF-FKNN方法与GCF方法的比较
5.6 本章小结
6 结束语
6.1 总结
6.2 展望
致谢
参考文献
附录
攻读博士学位期间发表和录用的论文
攻读博士学位期间参加的科学研究情况