声明
摘要
第一章 绪论
1.1 研究目的和意义
1.2 国内外研究现状
1.3 主要研究内容与创新
1.4 本文的组织结构
第二章 非负矩阵分解方法简介
2.1 非负矩阵分解的起源
2.2 非负矩阵分解理论
2.2.1 问题描述
2.2.2 目标函数
2.2.3 迭代公式
2.2.4 解的性质
2.3 非负矩阵分解的直观解释
2.4 非负矩阵分解的应用
第三章 非负矩阵分解新方法
3.1 基于Frobenius范数的新非负矩阵分解(NNMF-FRO)
3.1.1 基矩阵W的迭代更新规则
3.1.2 权重矩阵H的迭代更新规则
3.2 基于Kullback-Leibler散度的新非负矩阵分解(NNMF-DIV)
3.2.1 基矩阵W的迭代更新规则
3.2.2 权重矩阵H的迭代更新规则
3.3 算法步骤
3.4 ORL人脸库简介
3.5 实验与分析
3.5.1 算法收敛性
3.5.2 算法收敛速度
3.5.3 基矩阵分析
3.6 人脸识别结果及分析
3.7 本章小结
第四章 近似正交非负矩阵分解方法
4.1 基矩阵W的迭代更新规则
4.2 权重矩阵H的迭代更新规则
4.3 算法步骤
4.4 实验与分析
4.4.1 算法收敛性
4.4.2 基矩阵分析
4.5 人脸识别结果及分析
4.6 本章小结
第五章 收敛投影非负矩阵分解方法
5.1 基于Frobenius范数的收敛投影非负矩阵分解(CP-NMF-FRO)
5.1.1 基矩阵W的迭代更新规则
5.1.2 算法步骤
5.2 基于Kullback-Leibler散度的收敛投影非负矩阵分解(CP-NMF-DIV)
5.2.1 基矩阵W的迭代更新规则
5.2.2 算法步骤
5.3 实验与分析
5.3.1 算法收敛性
5.3.2 基矩阵分析
5.4 人脸识别结果及分析
5.5 本章小结
第六章 线性投影非负矩阵分解方法
6.1 基矩阵W的迭代更新规则
6.2 线性变换矩阵Q的迭代更新规则
6.3 算法步骤
6.4 实验与分析
6.4.1 算法收敛性
6.4.2 基矩阵分析
6.5 人脸识别结果及分析
6.6 本章小结
第七章 选票图像识别方法
7.1 选票图像识别的背景
7.2 选票图像识别存在的问题
7.3 选票设计
7.3.1 选举信息
7.3.2 选票
7.4 图像识别
7.4.1 图像采集
7.4.2 定位
7.4.3 图像预处理
7.4.4 手写符号识别
7.5 本章小结
第八章 总结与展望
8.1 总结
8.2 展望
参考文献
致谢
附录
图索引
表索引
Appendix
Figure index
Table index
攻读博士学位期间发表的论文目录
攻读博士学位期间参加的研究项目