| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 数据降维的含义 | 第9-12页 |
| 1.2.1 降维技术概述 | 第9-10页 |
| 1.2.2 降维算法分类 | 第10-11页 |
| 1.2.3 降维中的特征选择 | 第11-12页 |
| 1.3 本文研究的内容和组织结构 | 第12-14页 |
| 第二章 特征选择和数据降维算法 | 第14-23页 |
| 2.1 特征选择的概念 | 第14-16页 |
| 2.1.1 特征选择的概述 | 第14-15页 |
| 2.1.2 特征的相关性 | 第15-16页 |
| 2.2 特征选择算法 | 第16-20页 |
| 2.2.1 过滤法(Filter Methods) | 第17页 |
| 2.2.2 封装法(Wrapper Methods) | 第17-18页 |
| 2.2.3 嵌入法(Embedded Methods) | 第18-20页 |
| 2.3 数据降维算法 | 第20-22页 |
| 2.3.1 主成分分析(PCA) | 第20-21页 |
| 2.3.2 独立成分分析(ICA) | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于改进的特征选择算法的图像特征提取 | 第23-37页 |
| 3.1 引言 | 第23-24页 |
| 3.2 PCA和ICA在人脸图像分类中的应用 | 第24-25页 |
| 3.3 ReliefF特征选择算法 | 第25-27页 |
| 3.4 系统组成 | 第27-31页 |
| 3.4.1 基于PCA-ICA改进的特征选择算法 | 第28-29页 |
| 3.4.2 SVM分类器 | 第29-31页 |
| 3.5 实验与分析 | 第31-36页 |
| 3.5.1 实验数据集 | 第31-32页 |
| 3.5.2 实验结果及分析 | 第32-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 基于子模优化的文本特征选取 | 第37-49页 |
| 4.1 引言 | 第37-38页 |
| 4.2 子模函数 | 第38-39页 |
| 4.2.1 子模函数的定义 | 第38页 |
| 4.2.2 子模函数的优化 | 第38-39页 |
| 4.3 文本特征提取 | 第39-43页 |
| 4.3.1 文本特征的表示 | 第39-40页 |
| 4.3.2 图的邻接矩阵 | 第40-41页 |
| 4.3.3 子模方法的特征提取 | 第41-43页 |
| 4.4 实验与分析 | 第43-48页 |
| 4.4.1 实验数据集 | 第43页 |
| 4.4.2 基于ReliefF算法的数据预处理 | 第43-45页 |
| 4.4.3 实验步骤 | 第45页 |
| 4.4.4 实验结果与分析 | 第45-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 论文总结 | 第49-50页 |
| 5.2 研究展望 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士研究生期间参与的科研项目 | 第57页 |
