张量数据的特征提取与分类

《张量数据的特征提取与分类》的主要研究内容是在模式识别应用领域中，提出新的基于张量数据的特征提取和分类算法，并且对这些张量型算法进行详细的理论推导和性能分析，在实验中验证所提出算法的优越性。主要内容来自于作者多年的研究成果，使读者能够比较全面地了解张量分析的基本知识以及张量型算法在模式识别领域的研究、发展和应用。《张量数据的特征提取与分类》理论联系实际，集知识性、专业性、操作性、技能性为一体。《张量数据的特征提取与分类》的读者对象主要为模式识别的、人工智能领域的研究人员以及高等院校高年级的学生和研究生。

前言

章 绪论
1．1 研究背景与意义
1．2 传统特征提取和分类方法
1．3 基于张量数据的特征提取和分类方法研究现状
1．3．1 数据的张量表示
1．3．2 基于张量数据的特征提取算法
1．3．3 基于张量数据的分类器
1．3．4 张量型算法与向量型算法比较
1．4 实验数据库
1．5 本章小结

第2章 相关理论基础
2．1 张量理论
2．1．1 张量的符号表示与展开
2．1．2 张量的基本运算
2．1．3 张量的秩和分解
2．1．4 张量一张量投影与张量一矢量投影
2．2 相关向量型特征提取算法
2．2．1 PCA算法
2．2．2 LDA和MSD算法
2．3 极限学习机分类算法
2．4 岭回归分类算法
2．5 本章小结

第3章 基于MPCA和GTDA的张量型特征提取算法
3．1 引言
3．2 融合MPCA和GTDA的特征提取算法
3．2．1 多线性主成分分析
3．2．2 广义张量判别分析
3．2．3 MPCA与GTDA算法融合
3．3 GTDA算法的先决条件分析
3．3．1 投影后特征子空间的维数确定
3．3．2 迭代初始化的条件
3．3．3 迭代终止条件
3．3．4 收敛性
3．4 实验结果分析
3．4．1 GTDA初始化条件的选择
3．4．2 GTDA与MDA的收敛性分析
3．4．3 FERET人脸库的实验和结果分析
3．4．4 步态数据库的实验和结果分析
3．4．5 AR彩色人脸数据库的实验和结果分析
3．5 本章小结

第4章 张量型极限学习机分类算法
4．1 引言
4．2 二维极限学习机分类器
4．2．1 2D-ELM算法原理
4．2．2 2D-ELM实验结果分析
4．3 张量极限学习机分类器
4．3．1 TELM算法原理
4．3．2 TELM的实验结果分析
4．4 本章小结

第5章 多线性多秩回归分类算法（MMRR）
5．1 引言
5．2 MMRR算法原理
5．2．1 算法推导过程
5．2．2 迭代优化过程
5．3 MMRR算法先决条件分析
5．3．1 MMRR算法的收敛性
5．3．2 MMRR算法的初始化条件和计算量比较
5．3．3 MMRR算法中各参数的确定
5．4 实验结果分析
5．4．1 收敛性分析
5．4．2 不同初始化方法对算法分类性能的影响
5．4．3 参数变化对算法分类性能的影响
5．4．4 MMRR分类器的分类性能
5．5 本章小结

第6章 总结与展望
6．1 全文总结
6．2 工作展望
缩写符号对照表
数学符号对照表
参考文献