声明
摘要
1 绪论
1.1 选题背景与研究意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究进展
1.2.1 信息融合研究现状述评
1.2.2 基于机器学习的信息融合研究现状述评
1.2.3 存在的主要问题
1.3 研究内容与论文框架
1.3.1 主要研究内容
1.3.2 论文结构
1.4 论文主要创新点
2 信息融合相关理论
2.1 信息融合概念与原理
2.1.1 信息融合概念
2.1.2 信息融合原理
2.2 信息融合策略
2.2.1 早期融合
2.2.2 中期融合
2.2.3 后期融合
2.3 子空间学习理论
2.3.1 多视角谱聚类
2.3.2 联接的多视角非负矩阵分解
2.3.3 一致的多视角非负矩阵分解
2.3.4 基于多图的信息融合
2.4 本章小结
3 基于对称非负矩阵分解的信息融合模型
3.1 对称非负矩阵分解
3.1.1 相似性度量
3.1.2 目标函数与优化
3.2 SNMF与核K均值聚类、谱聚类的等效性
3.2.1 核K均值聚类
3.2.2 谱聚类
3.2.3 实例
3.3 基于对称非负矩阵分解的聚类融合模型
3.3.1 建模思想
3.3.2 基本假设和一致性矩阵表述
3.3.3 基于对称非负矩阵分解的聚类融合模型的建立
3.3.4 算法优化
3.4 实例分析与讨论
3.4.1 数据集描述与预处理
3.4.2 实验结果
3.4.3 分析与讨论
3.5 本章小结
4 考虑图正则化的对称非负矩阵分解信息融合模型
4.1 正则化思想
4.1.1 正则化理论
4.1.2 图正则化框架
4.2 基于Laplaeian正则化的对称非负矩阵分解融合模型
4.2.1 建模思想概述
4.2.2 基本假设
4.2.3 基于Laplacian正则化的对称非负矩阵分解融合模型
4.2.4 算法优化
4.2.5 实例分析与讨论
4.3 基于Hessian正则化的对称非负矩阵分解融合模型
4.3.1 建模思想概述
4.3.2 基本假设和定义
4.3.2 基于Hessian正则化的对称非负矩阵分解融合模型
4.3.4 算法优化
4.3.5 实例分析与讨论
4.4 基于对称非负矩阵分解的预测模型
4.4.1 基于对称非负矩阵分解的实时样本预测模型
4.4.2 实验分析与讨论
4.5 本章小结
5 SNMF融合模型在跨模态信息检索中的应用
5.1 跨模态信息检索
5.1.1 相关研究
5.1.2 基于SNMF融合模型的跨模态检索框架
5.2 数据集描述与预处理
5.2.1 数据集描述
5.2.2 预处理与标准化
5.2.3 评价指标
5.3 结果验证与分析
5.3.1 MAP指标上的性能表现
5.3.2 PR指标上的表现
5.3.3 其它指标上的表现
5.4 现实问题与对策
5.4.1 最优的聚类结构与最优的关联
5.4.2 较小的重构误差与较好的关联
5.4.3 低层的关联与抽象层的关联
5.4.4 流形学习与实时样本上的泛化
5.5 本章小结
6.1 本文工作总结
6.2 下一步研究展望
参考文献
在校期间发表的论文、科研成果等
致谢