| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状以及发展趋势 | 第12-17页 |
| 1.2.1 线性降维方法 | 第12-14页 |
| 1.2.2 非线性降维 | 第14-16页 |
| 1.2.3 图嵌入框架 | 第16-17页 |
| 1.2.4 与后续任务相关特征提取算法 | 第17页 |
| 1.3 本文的主要工作 | 第17-18页 |
| 1.4 本文组织结构 | 第18-19页 |
| 第二章 图嵌入流形学习理论 | 第19-31页 |
| 2.1 维数约简的定义 | 第19页 |
| 2.1.1 维数约简 | 第19页 |
| 2.1.2 线性降维 | 第19页 |
| 2.2 流形学习相关概念 | 第19-20页 |
| 2.3 图嵌入框架介绍 | 第20页 |
| 2.4 经典的降维算法 | 第20-30页 |
| 2.4.1 主成分分析 | 第20-21页 |
| 2.4.2 线性判别分析 | 第21-22页 |
| 2.4.3 局部线性嵌入 | 第22-24页 |
| 2.4.4 近邻保持嵌入与正交近邻保持投影 | 第24-26页 |
| 2.4.5 拉普拉斯特征映射 | 第26-27页 |
| 2.4.6 局部保持投影 | 第27-28页 |
| 2.4.7 边界Fisher分析 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于双邻接图的正交近邻保持投影算法 | 第31-47页 |
| 3.1 引言 | 第31-32页 |
| 3.2 基于双邻接图的正交近邻保持投影算法 | 第32-37页 |
| 3.2.1 正交近邻保持投影 | 第32页 |
| 3.2.2 算法推导 | 第32-36页 |
| 3.2.3 DAG-ONPP与其他算法的比较 | 第36-37页 |
| 3.3 实验准备与数据预处理 | 第37-39页 |
| 3.3.1 线性回归分类器 | 第37页 |
| 3.3.2 人脸数据库介绍 | 第37-39页 |
| 3.4 实验结果与分析 | 第39-46页 |
| 3.4.1 Yale人脸库上的实验结果 | 第39-40页 |
| 3.4.2 ORL人脸库上的实验结果 | 第40-41页 |
| 3.4.3 Extended Yale B人脸库上的实验结果 | 第41-44页 |
| 3.4.4 CMU PIE人脸库上的实验结果 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 正则化边界Fisher分析算法 | 第47-62页 |
| 4.1 引言 | 第47-48页 |
| 4.2 正则化边界Fisher分析算法 | 第48-53页 |
| 4.2.1 算法推导 | 第48-52页 |
| 4.2.2 算法流程 | 第52页 |
| 4.2.3 算法比较 | 第52-53页 |
| 4.3 实验结果与分析 | 第53-61页 |
| 4.3.1 ORL人脸库上的实验结果 | 第53-54页 |
| 4.3.2 Extended Yale B人脸库上的实验结果 | 第54-57页 |
| 4.3.3 CMU PIE人脸数据库上的实验结果 | 第57-59页 |
| 4.3.4 FERET人脸数据库上的实验结果 | 第59-61页 |
| 4.4 本章小节 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 工作总结 | 第62-63页 |
| 5.2 研究展望 | 第63-64页 |
| 参考文献 | 第64-74页 |
| 攻读硕士学位期间发表(录用)的论文及参与的科研项目 | 第74-75页 |
| 致谢 | 第75-76页 |
