| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第1章 绪论 | 第12-22页 |
| ·研究背景及现状 | 第12-19页 |
| ·模式识别简介 | 第12-14页 |
| ·模式识别中的子空间降维方法 | 第14-17页 |
| ·子空间方法在人脸识别中的应用 | 第17-19页 |
| ·论文的主要工作 | 第19-20页 |
| ·论文的结构安排 | 第20-22页 |
| 第2章 子空间算法分析 | 第22-48页 |
| ·向量空间和子空间 | 第22-23页 |
| ·向量空间 | 第22-23页 |
| ·子空间 | 第23页 |
| ·主分量分析(PCA) | 第23-31页 |
| ·数据分解和重建 | 第24-27页 |
| ·降维 | 第27-28页 |
| ·PCA的计算 | 第28-30页 |
| ·PCA与特征脸 | 第30-31页 |
| ·概率PCA(PPCA) | 第31-35页 |
| ·因子分析 | 第31-32页 |
| ·DIFS和DFFS | 第32-35页 |
| ·LDA | 第35-39页 |
| ·LDA的基本原理 | 第35-39页 |
| ·LDA存在的问题 | 第39页 |
| ·几种改进的LDA算法 | 第39-45页 |
| ·非参数判别分析 | 第39-41页 |
| ·成对加权Fisher准则 | 第41页 |
| ·局部分步LDA算法 | 第41-42页 |
| ·边界Fisher分析方法 | 第42页 |
| ·PCA+LDA | 第42-43页 |
| ·先对S_w对角化的方法 | 第43-44页 |
| ·直接LDA(DLDA,Direct LDA) | 第44-45页 |
| ·正则化LDA | 第45页 |
| ·本章小结 | 第45-48页 |
| 第3章 结合遗传算法的最小训练误差子空间方法 | 第48-74页 |
| ·LDA算法的几何分析 | 第48-55页 |
| ·决定LDA鉴别能力的因素 | 第49-52页 |
| ·特征值与特征子空间的联系 | 第52-55页 |
| ·遗传算法 | 第55-67页 |
| ·遗传算法的生物学基础 | 第55-58页 |
| ·遗传算法简介 | 第58-65页 |
| ·遗传算法的应用领域 | 第65-67页 |
| ·实验及分析 | 第67-73页 |
| ·模拟数据实验 | 第68-70页 |
| ·真实数据实验 | 第70-73页 |
| ·本章小结 | 第73-74页 |
| 第4章 结合集成学习的最小训练误差子空间方法 | 第74-98页 |
| ·集成学习 | 第74-79页 |
| ·集成学习的概念 | 第74-76页 |
| ·集成学习的起源与现状 | 第76-79页 |
| ·Boosting算法 | 第79-86页 |
| ·Boosting算法的提出 | 第79-80页 |
| ·Boosting算法描述 | 第80-85页 |
| ·Boosting算法的重要特性 | 第85-86页 |
| ·Bagging算法 | 第86-89页 |
| ·Bagging算法的提出 | 第86-87页 |
| ·Bagging算法描述 | 第87-88页 |
| ·Bagging算法的理论分析 | 第88-89页 |
| ·基于提升自举LDA投影的特征提取算法 | 第89-96页 |
| ·算法概述 | 第89-90页 |
| ·算法描述 | 第90-93页 |
| ·实验及分析 | 第93-96页 |
| ·本章小结 | 第96-98页 |
| 第5章 多类问题中的提升自举LDA子空间的分类方法 | 第98-112页 |
| ·多类问题中的AdaBoost算法 | 第98-103页 |
| ·AdaBoost.M1 | 第98-99页 |
| ·AdaBoost.M2 | 第99-102页 |
| ·其它算法简介 | 第102-103页 |
| ·提升自举LDA子空间的分类方法 | 第103-106页 |
| ·算法概述 | 第103页 |
| ·算法描述 | 第103-106页 |
| ·实验与分析 | 第106-110页 |
| ·MNIST数据集上的实验 | 第106-108页 |
| ·FERET人脸数据集上的实验 | 第108-110页 |
| ·本章小结 | 第110-112页 |
| 第6章 结束语 | 第112-114页 |
| ·本文创新点 | 第112页 |
| ·今后工作展望 | 第112-114页 |
| 参考文献 | 第114-124页 |
| 致谢 | 第124-125页 |
| 博士期间发表的学术论文 | 第125页 |