目录
摘要 (i)
Abstract .............................................................................................................. i ii 第一章绪论 (1)
1.1 研究背景及问题界定 (1)
1.2 国内外相关研究现状 (3)
1.2.1 基于图的无监督学习 (3)
1.2.2 基于图的半监督学习 (4)
1.2.3 基于图的监督学习 (6)
1.2.4 图构建方法 (7)
1.2.5 基于图的学习方法拓展 (9)
1.2.6 研究现状评述 (10)
1.3 论文的主要工作 (10)
1.3.1 针对的问题和研究思路 (10)
1.3.2 研究内容及贡献 (11)
1.4 论文的组织结构 (13)
第二章基于图的学习框架模型 (16)
2.1 引言 (16)
2.2 基于图的学习与两种假设 (18)
2.2.1 流形假设 (18)
2.2.2 聚类假设 (19)
2.3 图的划分准则 (20)
2.3.1 2类划分 (20)
2.3.2 多类划分 (23)
2.4 基于图的学习框架模型 (27)
2.4.1 问题描述与基本假设 (27)
2.4.2 约束条件放松方法 (28)
2.4.3 模型分析 (29)
2.5 本章小结 (29)
第三章基于图的无监督学习 (30)
3.1 引言 (30)
3.2 基本问题描述与模型定义 (31)
3.2.1 图划分准则下基于图的无监督学习问题描述 (31)
3.2.2 模型定义 (33)
3.3 基于图的无监督学习算法框架 (34)
3.3.1 Logdet正则化 (34)
3.3.2 学习框架 (35)
3.4 基于图的无监督学习算法 (35)
3.4.1 迭代法 (36)
3.4.2 算法收敛性 (37)
3.4.3 复杂度分析 (41)
3.5 与以往工作之间的区别和联系 (41)
3.5.1 核均值，谱聚类和对称非负矩阵分解 (41)
3.5.2 解的非负性，维度和稀疏性 (42)
3.5.3 权重矩阵 (43)
3.6 实验结果与分析 (44)
3.6.1 实验说明 (44)
3.6.2 一个示例 (45)
3.6.3 真实数据集 (47)
3.6.4 聚类结果 (48)
3.6.5 算法分析 (50)
3.6.6 CAC的变形 (52)
3.7 本章小结 (53)
第四章基于图的半监督学习 (55)
4.1 引言 (55)
4.2 基本问题描述与模型定义 (56)
4.2.1 图划分准则下基于图的半监督分类学习 (56)
4.2.2 图划分准则下基于图的半监督聚类学习 (60)
4.3 基于图的半监督学习算法 (61)
4.3.1 基于图的半监督分类算法 (61)
4.3.2 基于图的半监督聚类算法 (64)
4.4 与以往工作的区别和联系 (65)
4.4.1 LGC方法和GFHF方法 (65)
4.4.2 GGMC方法 (66)
4.5 实验结果与分析 (67)
4.5.1 实验说明 (67)
4.5.2 真实数据集 (68)
4.5.3 构建权重矩阵 (69)
4.5.4 半监督分类结果 (69)
4.5.5 半监督聚类结果 (69)
4.5.6 算法分析 (73)
4.6 本章小结 (74)
第五章基于图的监督学习 (76)
5.1 引言 (76)
5.2 基本问题描述与模型定义 (76)
5.2.1 图划分准则下基于图的监督学习问题描述 (77)
5.2.2 模型定义 (77)
5.3 基本图的监督学习算法 (80)
5.4 实验结果与分析 (81)
5.4.1 实验说明 (81)
5.4.2 真实数据集 (82)
5.4.3 分类结果 (84)
5.4.4 算法分析 (85)
5.4.5 稀疏约束拓展 (86)
5.5 本章小结 (87)
第六章基于图的协同正则化学习 (89)
6.1 引言 (89)
6.2 基本问题描述与模型定义 (89)
6.2.1 图划分准则下基于图的无监督协同正则化学习问题描述 (89)
6.2.2 图划分准则下基于图的半监督协同正则化学习问题描述 (93)
6.2.3 模型定义 (93)
6.3 基本图的协同正则化学习算法 (93)
6.3.1 基于图的协同正则化学习算法框架 (93)
6.3.2 基于图的协同正则化学习算法 (94)
6.4 实验结果与分析 (96)
6.4.1 实验说明 (96)
6.4.2 数据集 (97)
6.4.3 聚类结果 (97)
6.4.4 算法分析 (99)
6.5 本章小结 (99)
第七章基于图的多重正则化学习 (101)
7.1 引言 (101)
7.2 基本问题描述与模型定义 (102)
7.2.1 图划分准则下基于图的多重正则化学习问题描述 (102)
7.2.2 模型定义 (102)
7.3 基本图的无监督多重正则化学习算法 (102)
7.3.1 基于图的无监督多重正则化学习算法框架 (102)
7.3.2 基于图的无监督多重正则化学习算法 (102)
7.3.3 算法收敛性 (103)
7.3.4 复杂度分析 (105)
7.4 基本图的半监督多重正则化学习算法 (105)
7.4.1 基于图的半监督多重正则化聚类学习算法 (105)
7.4.2 基于图的半监督多重正则化分类学习算法 (106)
7.4.3 算法分析 (107)
7.5 与以往工作的区别和联系 (108)
7.6 实验结果与分析 (108)
7.6.1 实验说明 (108)
7.6.2 一个示例 (110)
7.6.3 真实数据集 (110)
7.6.4 实验结果 (111)
7.6.5 算法分析 (112)
7.6.6 模型变形 (115)
7.7 本章小结 (116)
第八章基于图的公共视频场景聚集性度量及分析 (117)
8.1 引言 (117)
8.2 公共视频中群体场景的聚集性度量和分析框架 (118)
8.2.1 聚集度主题 (118)
8.2.2 研究思路和框架 (119)
8.3 公共视频中群体场景的聚集性度量和场景划分 (120)
8.3.1 路径积分描述子 (120)
8.3.2 聚集度 (124)
8.3.3 自驱动粒子模型实验 (125)
8.3.4 场景划分方法 (128)
8.4 实验结果与分析 (129)
8.4.1 实验说明 (129)
8.4.2 数据集 (129)
8.4.3 实验结果 (130)
8.5 本章小结 (134)
第九章结论与展望 (135)
9.1 工作总结 (135)
9.2 研究展望 (136)
致谢 (138)
参考文献 (139)
作者在学期间取得的学术成果 (152)
作者在学期间参与的科研项目 (154)
表目录
表3.1 不同更新规则的算法复杂度 (41)
表3.2 五个数据集的统计指标 (48)
表3.3 不同算法在五个数据集上的聚类结果 (49)
表3.4 CAC系列算法在五个数据集上的聚类结果 (50)
表3.5 参数的有限网格法，黑体代表被采用的参数值 (52)
表4.1 三个数据集的统计指标. (68)
表4.2 Yale数据集上的分类分类错误率(%). (70)
表4.3 USPS数据集上的分类错误率(%). (70)
表4.4 TDT2数据集上的分类错误率(%). (71)
表4.5 YaleB数据集上的分类错误率(%). (71)
表4.6 Yale数据集上的聚类准确度和标准互信息(AC%/%). (72)
表4.7 USPS数据集上的聚类准确度和标准互信息(AC%/%). (72)
表4.8 TDT2数据集上的聚类准确度和标准互信息(AC%/%). (72)
表4.9 YaleB数据集上的聚类准确度和标准互信息(AC%/%). (73)
表4.10 不同算法在不同数据集上解的平均稀疏度，最稀疏解的稀疏度是1. (73)
表4.11 基于有限网格的CAC系列算法参数选择. (74)
表5.1 五个数据集的统计指标 (83)
表5.2 不同方法在USPS数据集上的识别率 (84)
表5.3 不同方法在Yale数据集上的识别率 (84)
表5.4 不同方法在COIL20数据集上的识别率 (84)
表5.5 不同方法在TDT2数据集上的识别率 (85)
表5.6 使用不同标签矩阵的岭回归方法在各数据集上的识别率(NL=5) (85)
表5.7 不同算法得到的投影矩阵的平均稀疏度 (85)
表5.8 不同稀疏约束的LRR方法在四个数据集上的识别率 (87)
表6.1 UCI数据集上的协同正则化学习结果(AC%/MI%) (98)
表6.2 COIL20数据集上的协同正则化学习结果(AC%/MI%) (98)
表6.3 Yale数据集上的协同正则化学习结果(AC%/MI%) (99)
表7.1 ORL数据集上的实验结果 (112)
表7.2 COIL20数据集上的实验结果 (113)
表7.3 Yale数据集上的实验结果 (113)
表7.4 FEI数据集上的实验结果 (113)
表7.5 NMF,GNMF和RNMF在不同数据集上数据表示的平均稀疏度. (114)
表7.6 参数的有限网格 (114)
表8.1 不同粒子数目下，真实聚集度和计算聚集度的平均线性相关系数 (127)
表8.2 不同下两类分类平均分类准确率实验结果. (130)
表8.3 参数的有限网格，在这个网格中找到算法的最佳参数组合 (133)
图目录
图1.1 半监督学习示意图 (5)
图1.2 论文的组织结构 (14)
图2.1 聚类假设示意图 (16)
图2.2 流形假设示意图 (17)
图2.3 最小切划分准则下的理想划分 (21)
图2.4 最小切划分准则下的失效划分 (21)
图3.1 在双月(two moon)数据集上的无监督聚类实验. (47)
图3.2 COIL20,PIE,Yale和FEI数据集上的原始图像示例 (48)
图3.3 给定, CAC_n方法的表现和解的稀疏度与参数的关系. (51)
图3.4 给定，CAC_n算法目标函数值的收敛曲线 (52)
图4.1 YaleB数据集中的原始图像示例 (68)
图4.2 YaleB数据集上CAC_n系列算法的收敛曲线. (74)
图5.1 COIL20,YaleB和USPS数据库上的原始图像示例 (83)
图7.1. (a)原始双月型数据. (b)NMF学习到的数据表示. (c)GNMF学习到的数据表示. (d)RNMF学习到的数据表示. (110)
图7.2 FEI数据集上各个算法得到的基向量.. (111)
图7.3 RNMF在不同参数下的表现 (114)
图7.4 NMF和RNMF更新算法的收敛曲线. (115)
图8.1 自然界聚集性运动示意图，图片均挑选自网络 (118)
图8.2 聚集性运动示意图 (119)
图8.3 公共视频场景的聚集性度量和分析流程图. (120)
图8.4 一个SDP聚集运动度量的例子 (127)
图8.5 真实聚集度和计算聚集度的对比 (128)
图8.6 时的组成方法 (128)
图8.7 场景划分方法 (129)
图8.8 不同方法在场景第十帧的划分结果 (133)