稀疏表示學習理論與應用

第1章 稀疏表示與壓縮感知概述 /1 1.1 稀疏性實例 /1 1.2 稀疏表示的研究背景 /3 1.3 信號稀疏表示的發(fā)展 /4 1.4 信號稀疏表示概述 /5 1.5 壓縮感知理論 /7 本章小結 /13 第2章 稀疏表示模型 /14 2.1 稀疏性的概念 /14 2.2 信號稀疏-冗余表示 /15 2.3 稀疏表示模型 /17 2.4 稀疏表示學習算法 /24 本章小結 /29 第3章 小波變換、脊波變換及曲波變換 /30 3.1 小波變換 /30 3.2 脊波變換 /39 3.3 曲波變換 /44 本章小結 /49 第4章 稀疏表示理論分析 /50 4.1 問題(P0)和問題(P1)的等價性 /50 4.2 稀疏表示理論概率性證明 /56 4.3 稀疏隨機矩陣的有限等距性質 /61 本章小結 /66 第5章 稀疏字典學習 /67 5.1 稀疏字典學習概述 /67 5.2 匹配追蹤算法 /68 5.3 非監(jiān)督字典學習 /73 5.4 稀疏分解 ASR算法 /80 本章小結 /82 第6章 LASSO模型 /83 6.1 LASSO概述 /83 6.2 LASSO理論 /84 6.3 LASSO模型求解 /88 6.4 仿真實驗分析 /93 本章小結 /96 第7章 Dantzig選擇器 /97 7.1 Dantzig選擇器模型 /97 7.2 DS問題解特性分析 /99 7.3 原始對偶追蹤算法分析 /104 7.4 原始對偶內點法 /108 7.5 ADMM 求解Dantzig選擇器 /110 7.6 DASSO方法 /112 7.7 仿真實驗分析 /114 本章小結 /120 第8章 稀疏貝葉斯學習 /121 8.1 稀疏貝葉斯學習概述 /121 8.2 正則化稀疏貝葉斯學習 /123 8.3 概率稀疏表示分類方法 /127 本章小結 /129 第9章 稀疏表示中常用的優(yōu)化算法 /130 9.1 次梯度優(yōu)化算法 /130 9.2 ADMM 算法 /136 9.3 近端線性化近似布雷格曼(Bregman)算法 /144 9.4 坐標下降法 /148 9.5 閾值迭代法 /156 本章小結 /162 第10章 Lq 優(yōu)化模型近似計算方法 /163 10.1 L0 范數(shù)平滑函數(shù)法 /163 10.2 L1/2 正則化理論 /165 10.3 迭代重加權Lq 極小化算法 /171 10.4 迭代重加權最小二乘法 /175 本章小結 /177 第11章 稀疏子空間聚類 /178 11.1 子空間聚類概述 /178 11.2 稀疏子空間聚類 /180 11.3 稀疏子空間聚類社區(qū)發(fā)現(xiàn) /186 本章小結 /192 第12章 基于稀疏表示的人臉識別與檢測 /193 12.1 基于稀疏表示的人臉識別方法 /193 12.2 基于稀疏表示的人臉檢測方法 /198 本章小結 /205 第13章 基于稀疏表示的運動目標檢測 /206 13.1 RPCA運動目標檢測方法 /206 13.2 基于低秩-稀疏表示的運動目標檢測方法 /207 13.3 基于低秩-稀疏與全變分表示的運動目標檢測方法/215 本章小結 /226 第14章 稀疏約束條件下的非負矩陣分解 /227 14.1 非負矩陣分解概述 /227 14.2 非負矩陣分解迭代算法 /228 14.3 SSC-NMF結合的社區(qū)發(fā)現(xiàn)方法 /234 14.4 仿真實驗分析 /237 本章小結 /242 參考文獻 /243