现实世界中许多数据以复杂高维形式星现，数据包含非常多的属性或特征，对传统的机器学习是巨大的挑战。为此，本书展开了张量理论、算法及其应用研究。本书首先系统地介绍了张量理论的一些基本概念、基本操作、经典张量分解以及经典张量算法，其次讨论了支持张量数据描述和核支持张量数据描述、OCSTuM和GA-OCSTuM方法、极限张量学习算法、核支持张量环机，最后对该领域未来的发展应用前景做了总结与展望。

第1章 绪论
1.1 研究背景及意义
1.2 张量学习算法研究进展
1.3 张量应用研究
1.4 本书主要研究内容
第2章 张量代数基础理论
2.1 张量分解理论
2.2 t-product张量框架
2.3 张量学习算法
2.4 本章小结
第3章 基于支持张量描述算法的感知数据异常检测
3.1 引言
3.2 支持张量数据描述
3.3 核支持张量数据描述
3.4 实验及分析
3.5 本章小结
第4章 基于张量Tucker学习机的传感器大数据异常检测
4.1 引言
4.2 张量Tucker学习机
4.3 基于遗传算法的Tucker学习机
4.4 实验研究
4.5 本章小结
第5章 基于极限张量学习机的数据分类
5.1 引言
5.2 极限张量学习机
5.3 实验评估
5.4 本章小结
第6章 核支持张量环机
6.1 张量图形表示
6.2 Tensor-Train分解和Tensor-Ring分解
6.3 基于Tensor-Ring的核方法
6.4 实验研究
6.5 结论
第7章 结论与展望
7.1 研究总结
7.2 研究展望
参考文献
附录 张量软件