| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-11页 |
| ·特征降维的研究意义及研究现状 | 第7-8页 |
| ·研究意义 | 第7页 |
| ·研究现状 | 第7-8页 |
| ·高阶统计量的研究意义及研究现状 | 第8-9页 |
| ·聚类的研究意义及研究现状 | 第9-10页 |
| ·本文的组织结构 | 第10-11页 |
| 第二章 特征降维基础理论与方法概述 | 第11-29页 |
| ·引言 | 第11页 |
| ·降维的定义 | 第11-12页 |
| ·特征降维的分类 | 第12页 |
| ·线性特征降维方法 | 第12-14页 |
| ·主成分分析(Principal Component Aanlysis, PCA) | 第12-13页 |
| ·线性判别法(Linear Discriminant Analysis, LDA) | 第13页 |
| ·投影寻踪(Projection Pursuit, PP) | 第13-14页 |
| ·多维尺度分析(Multidimensional Scalar, MDS) | 第14页 |
| ·非线性特征降维方法 | 第14-27页 |
| ·局部线性嵌入方法(Locally Linear Embedding, LLE) | 第15-18页 |
| ·等距映射法(Isometric Map, ISOMAP) | 第18-20页 |
| ·局部切空间排列算法(local tangent space alignment, LTSA) | 第20-22页 |
| ·拉普拉斯特征映射法(Laplacian Eigenmap, LE) | 第22-24页 |
| ·Hessian等距映射(HLLE) | 第24-25页 |
| ·最大方差展开(maximum variance unfolding, MVU) | 第25-26页 |
| ·非负矩阵分解(Non-negative Matrix actorization, NMF) | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 第三章 核协方差成分分析方法及其在聚类中的应用 | 第29-45页 |
| ·引言 | 第29-30页 |
| ·核熵成分分析(KECA) | 第30-31页 |
| ·核协方差成分分析(KCCA) | 第31-35页 |
| ·D-vs-E的定义 | 第31-32页 |
| ·广义D-vs-E | 第32-33页 |
| ·KCCA与现有数据转换方法的比较 | 第33-34页 |
| ·KCCA数据转换算法步骤 | 第34页 |
| ·KCCA谱聚类 | 第34-35页 |
| ·实验研究 | 第35-43页 |
| ·USPS数据集上的实验研究 | 第35-39页 |
| ·其它数据集上的谱聚类实验 | 第39-43页 |
| ·本章小结 | 第43-45页 |
| 第四章 基于PARZEN窗的高阶统计量的特征降维方法的研究 | 第45-49页 |
| ·引言 | 第45页 |
| ·高阶核协方差成分分析 | 第45-48页 |
| ·高阶统计量的引出 | 第45页 |
| ·高阶统计量的推导与证明 | 第45-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-50页 |
| ·全文内容总结 | 第49页 |
| ·未来工作展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-57页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第57页 |
