声明
第一章 绪论
1.1课题研究背景及意义
1.2国内外研究现状
1.2.1 关联分析相关研究现状
1.2.2 图像分类相关研究现状
1.3本文研究主要内容
1.4本文的结构安排
第二章 关联分析与特征选择相关工作
2.1 子空间学习
2.1.1主成分分析（PCA）
2.1.2典型关联分析（CCA）
2.1.3 偏最小二乘（PLS）
2.1.4 多元线性回归（MLR）
2.2 特征选择相关技术
2.2.1筛选式特征选择
2.2.2封装式特征选择
2.2.3嵌入式特征选择
2.3 本章小结
第三章 基于样本惩罚的最小二乘关联分析框架
3.1 瑞利熵
3.2 基于样本惩罚的最小二乘关联分析框架模型
3.2.1 D-主成分分析（D-PCA）
3.2.2 D-典型关联分析（D-CCA）
3.2.3 D-偏最小二乘（D-PLS）
3.2.4 D-多元线性回归（D-MLR）
3.3 CAF-JSS模型求解
3.3.1 D-PCA
3.3.2 D-CCA
3.3.3 D-PLS
3.3.4 D-MLR
3.4 样本惩罚因子的两种构造方法
3.4.1 欧几里得构造惩罚因子
3.4.2 余弦角度构造惩罚因子
3.5 算法步骤
3.6 实验结果分析
3.6.1 实验环境和图像数据集介绍
3.6.2 人脸图像识别分析
3.6.3 人脸图像加噪分析
3.6.4 手写数字识别分析
3.6.5 KCCA与KPLS实验分析
3.7 本章小结
第四章 基于样本惩罚和特征选择的最小二乘关联分析框架
4.1 正则化技术
4.2 基于结构化稀疏的特征选择方法
4.3 基于样本惩罚和特征选择的最小二乘关联分析框架模型
4.4 CAF-JSFS模型求解
4.4.1 DQ-主成分分析（DQ-PCA）
4.4.2 DQ-典型关联分析（DQ-CCA）
4.4.3 DQ-偏最小二乘法（DQ-PLS）
4.4.4 DQ-多元线性回归（DQ-MLR）
4.5 算法步骤
4.6 实验结果分析
4.6.1 人脸图像加噪分析
4.6.2 手写数字识别分析
4.6.3 不同数据集下的维度分析
4.6.4 不同数据集下的鲁棒性分析
4.7 本章小结
第五章 噪声图像分类系统的实现
5.1 系统开发工具介绍
5.2 系统框架
5.3 原型系统的实现
5.3.1 系统管理模块实现
5.3.2 图像分类模块实现
5.4 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
附录：攻读硕士学位期间取得的科研成果
江苏大学;
