第1章 稀疏表示與壓縮感知概述

1.1 稀疏性實例

1.2 稀疏表示的研究背景

1.3 信號稀疏表示的發(fā)展

1.4 信號稀疏表示概述

1.5 壓縮感知理論

本章小結(jié)

第2章 稀疏表示模型

2.1 稀疏性的概念

2.2 信號稀疏一冗余表示

2.3 稀疏表示模型

2.4 稀疏表示學習算法

本章小結(jié)

第3章 小波變換、脊波變換及曲波變換

3.1 小波變換

3.2 脊波變換

3.3 曲波變換

本章小結(jié)

第4章 稀疏表示理論分析

4.1 問題(P0)和問題(P1)的等價性

4.2 稀疏表示理論概率性證明

4.3 稀疏隨機矩陣的有限等距性質(zhì)

本章小結(jié)

第5章 稀疏字典學習

5.1 稀疏字典學習概述

5.2 匹配追蹤算法

5.3 非監(jiān)督字典學習

5.4 稀疏分解ASR算法

本章小結(jié)

第6章 LASSo模型

6.1 LASSO概述

6.2 LASSO里論

6.3 LASSO模型求解

6.4 仿真實驗分析

本章小結(jié)

第7章 Dantzig選擇器

7.1 Dantzig選擇器模型

7.2 DS I題解特性分析

7.3 原始對偶追蹤算法分析

7.4 原始對偶內(nèi)點法

7.5 ADMM求解Dantzig選擇器

7.6 DASSO方法

7.7 仿真實驗分析

本章小結(jié)

第8章 稀疏貝葉斯學習

8.1 稀疏貝葉斯學習概述

8.2 正則化稀疏貝葉斯學習

8.3 概率稀疏表示分類方法

本章小結(jié)

第9章 稀疏表示中常用的優(yōu)化算法

9.1 次梯度優(yōu)化算法

9.2 ADMM算法

9.3 近端線性化近似布雷格曼(Bregman)算法

9.4 坐標下降法

9.5 閾值迭代法

本章小結(jié)

第10章 Lq優(yōu)化模型近似計算方法

10.1 L0范數(shù)平滑函數(shù)法

10.2 L1/2正則化理論

10.3 迭代重加權(quán)Lq極小化算法

10.4 迭代重加權(quán)最小二乘法

本章小結(jié)

第11章 稀疏子空間聚類

11.1 子空間聚類概述

11.2 稀疏子空間聚類

11.3 稀疏子空間聚類社區(qū)發(fā)現(xiàn)

本章小結(jié)

第12章 基于稀疏表示的人臉識別與檢測

12.1 基于稀疏表示的人臉識別方法

12.2 基于稀疏表示的人臉檢測方法

本章小結(jié)

第13章 基于稀疏表示的運動目標檢測

13.1 RPCA運動目標檢測方法

13.2 基于低秩一稀疏表示的運動目標檢測方法

13.3 基于低秩一稀疏與全變分表示的運動目標檢測方法

本章小結(jié)

第14章 稀疏約束條件下的非負矩陣分解

14.1 非負矩陣分解概述

14.2 非負矩陣分解迭代算法

14.3 SSC-NMF結(jié)合的社區(qū)發(fā)現(xiàn)方法

14.4 仿真實驗分析

本章小結(jié)

參考文獻