前言

章 緒論
1．1 研究背景與意義
1．2 傳統(tǒng)特征提取和分類方法
1．3 基于張量數(shù)據(jù)的特征提取和分類方法研究現(xiàn)狀
1．3．1 數(shù)據(jù)的張量表示
1．3．2 基于張量數(shù)據(jù)的特征提取算法
1．3．3 基于張量數(shù)據(jù)的分類器
1．3．4 張量型算法與向量型算法比較
1．4 實(shí)驗(yàn)數(shù)據(jù)庫(kù)
1．5 本章小結(jié)

第2章 相關(guān)理論基礎(chǔ)
2．1 張量理論
2．1．1 張量的符號(hào)表示與展開(kāi)
2．1．2 張量的基本運(yùn)算
2．1．3 張量的秩和分解
2．1．4 張量一張量投影與張量一矢量投影
2．2 相關(guān)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 極限學(xué)習(xí)機(jī)分類算法
2．4 嶺回歸分類算法
2．5 本章小結(jié)

第3章 基于MPCA和GTDA的張量型特征提取算法
3．1 引言
3．2 融合MPCA和GTDA的特征提取算法
3．2．1 多線性主成分分析
3．2．2 廣義張量判別分析
3．2．3 MPCA與GTDA算法融合
3．3 GTDA算法的先決條件分析
3．3．1 投影后特征子空間的維數(shù)確定
3．3．2 迭代初始化的條件
3．3．3 迭代終止條件
3．3．4 收斂性
3．4 實(shí)驗(yàn)結(jié)果分析
3．4．1 GTDA初始化條件的選擇
3．4．2 GTDA與MDA的收斂性分析
3．4．3 FERET人臉庫(kù)的實(shí)驗(yàn)和結(jié)果分析
3．4．4 步態(tài)數(shù)據(jù)庫(kù)的實(shí)驗(yàn)和結(jié)果分析
3．4．5 AR彩色人臉數(shù)據(jù)庫(kù)的實(shí)驗(yàn)和結(jié)果分析
3．5 本章小結(jié)

第4章 張量型極限學(xué)習(xí)機(jī)分類算法
4．1 引言
4．2 二維極限學(xué)習(xí)機(jī)分類器
4．2．1 2D-ELM算法原理
4．2．2 2D-ELM實(shí)驗(yàn)結(jié)果分析
4．3 張量極限學(xué)習(xí)機(jī)分類器
4．3．1 TELM算法原理
4．3．2 TELM的實(shí)驗(yàn)結(jié)果分析
4．4 本章小結(jié)

第5章 多線性多秩回歸分類算法（MMRR）
5．1 引言
5．2 MMRR算法原理
5．2．1 算法推導(dǎo)過(guò)程
5．2．2 迭代優(yōu)化過(guò)程
5．3 MMRR算法先決條件分析
5．3．1 MMRR算法的收斂性
5．3．2 MMRR算法的初始化條件和計(jì)算量比較
5．3．3 MMRR算法中各參數(shù)的確定
5．4 實(shí)驗(yàn)結(jié)果分析
5．4．1 收斂性分析
5．4．2 不同初始化方法對(duì)算法分類性能的影響
5．4．3 參數(shù)變化對(duì)算法分類性能的影響
5．4．4 MMRR分類器的分類性能
5．5 本章小結(jié)

第6章 總結(jié)與展望
6．1 全文總結(jié)
6．2 工作展望
縮寫(xiě)符號(hào)對(duì)照表
數(shù)學(xué)符號(hào)對(duì)照表
參考文獻(xiàn)