基于矩阵分解的信息融合方法及应用

　　《基于矩阵分解的信息融合方法及应用》共7章，大体可分为3个部分：第一部分包括第1章和第2章，介绍了信息融合的基础知识；第二部分包括第3章至第5章，介绍了一些基于矩阵分解的信息融合方法；第三部分包括第6章和第7章，介绍了一些经典的异构网络模块识别算法，并总结了该领域的若干研究趋势。该书重点是第3章至第5章，该部分内容由浅入深、逐层递进，读者在阅读这部分内容时，需具备一定的高等数学、线性代数知识。该书内容主要来源于笔者攻读博士学位期间的工作和在看文献的过程中萌生出的一系列想法，因此，有必要将该书的主要体系结构和特色做一简单说明，以区别于其他信息融合和机器学习著作。该书主要针对现有信息融合方法中的不足，分别研究了基于对称非负矩阵分解的信息融合模型、考虑图正则化的对称非负矩阵分解融合模型和基于对称非负矩阵分解的预测模型，并将其应用到跨模态信息检索任务中。

　　马园园，男，博士，主要研究领域：机器学习、复杂网络、生物信息学等，目前就职于安阳师范学院计算机与信息工程学院，从事信息分析、信息组织与检索教学、科研等工作，近3年来，在国际主流会议和期刊上发表论文8篇，担任多个国际SCI期刊审稿人。

1 绪论
1．1 研究背景与研究意义
1．1．1 研究背景
1．1．2 研究意义
1．2 国内外研究进展
1．2．1 信息融合研究现状述评
1．2．2 基于机器学习的信息融合研究现状述评
1．2．3 存在的主要问题
1．3 研究内容与本书结构
1．3．1 研究内容
1．3．2 本书结构
1．4 本书主要贡献
2 信息融合相关理论
2．1 信息融合概念与原理
2．1．1 信息融合概念
2．1．2 信息融合原理
2．2 信息融合策略
2．2．1 早期融合
2．2．2 中期融合
2．2．3 后期融合
2．3 子空间学习理论
2．3．1 多视角谱聚类
2．3．2 连接的多视角非负矩阵分解
2．3．3 一致的多视角非负矩阵分解
2．3．4 基于多、图的信息融合
2．4 本章小结
3 基于对称非负矩阵分解的信息融合模型
3．1 对称非负矩阵分解
3．1．1 相似性度量
3．1．2 目标函数与优化
3．2 SNMF与核K均值聚类、谱聚类的等效性
3．2．1 核K均值聚类
3．2．2 谱聚类
3．2．3 实例
3．3 基于对称非负矩阵分解的聚类融合模型
3．3．1 建模思想
3．3．2 基本假设和一致性矩阵表述
3．3．3 基于对称非负矩阵分解的聚类融合模型的建立
3．3．4 算法优化
3．4 实例分析与讨论
3．4．1 数据集描述与预处理
3．4．2 实验结果
3．4．3 分析与讨论
3．5 本章小结
4 考虑图正则化的对称非负矩阵分解信息融合模型
4．1 正则化思想
4．1．1 正则化理论
4．1．2 图正则化框架
4．2 基于Laplacian正则化的对称非负矩阵分解融合模型
4．2．1 建模思想概述
4．2．2 基本假设
4．2．3 基于Laplacian正则化的对称非负矩阵分解融合模型
4．2．4 算法优化
4．2．5 实例分析与讨论
4．3 基于Hessian正则化的对称非负矩阵分解融合模型
4．3．1 建模思想概述
4．3．2 基本假设和定义
4．3．3 基于Hessian正则化的对称非负矩阵分解融合模型
4．3．4 算法优化
4．3．5 实例分析与讨论
4．4 基于对称非负矩阵分解的预测模型
4．4．1 基于对称非负矩阵分解的实时样本预测模型
4．4．2 实验分析与讨论
4．5 本章小结
……
5 基于对称非负矩阵分解融合模型在跨模态检索中的应用
6 其他多视角信息融合模型及应用
7 总结与展望
参考文献
附录
致谢