| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-9页 |
| 图表清单 | 第9-10页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-24页 |
| 1.1 模式识别 | 第12页 |
| 1.2 降维的意义及方法分类 | 第12-13页 |
| 1.3 典型的线性降维算法 | 第13-21页 |
| 1.3.1 主成分分析（PCA） | 第13-15页 |
| 1.3.2 线性判别分析（LDA） | 第15-16页 |
| 1.3.3 局部保持投影（LPP） | 第16-17页 |
| 1.3.4 临界 Fisher 分析（MFA） | 第17-19页 |
| 1.3.5 邻域保持嵌入（NPE） | 第19-20页 |
| 1.3.6 稀疏保持投影（SPP） | 第20-21页 |
| 1.4 嵌入空间结构信息的线性降维算法 | 第21-22页 |
| 1.5 本文的主要工作 | 第22页 |
| 1.6 本文的内容安排 | 第22-24页 |
| 第二章 线性判别分析中两种空间结构信息嵌入方法的比较 | 第24-42页 |
| 2.1 研究背景 | 第24-25页 |
| 2.2 空间平滑的子空间学习（SSSL） | 第25-31页 |
| 2.2.1 图嵌入的线性扩展（LGE） | 第26-28页 |
| 2.2.2 离散的拉普拉斯平滑 | 第28-30页 |
| 2.2.3 SSSL 建模及空间平滑的线性判别分析（SLDA） | 第30-31页 |
| 2.3 基于欧氏距离度量的空间平滑 | 第31-35页 |
| 2.3.1 图像欧氏距离（IMED） | 第31-33页 |
| 2.3.2 拉普拉斯矩阵 | 第33-34页 |
| 2.3.3 LST 的实现及基于图像欧氏距离的线性判别分析（IMEDA） | 第34-35页 |
| 2.4 SLDA 与 IMEDA 间的内在联系的理论探讨 | 第35-36页 |
| 2.5 实验 | 第36-41页 |
| 2.5.1 人脸数据集实验 | 第38-39页 |
| 2.5.2 参数选择实验 | 第39-41页 |
| 2.6 本章小结 | 第41-42页 |
| 第三章 平均紧性约束下的最坏分离空间平滑判别分析 | 第42-52页 |
| 3.1 动机和主要思想 | 第42页 |
| 3.2 最坏情况下线性判别分析（WLDA） | 第42-43页 |
| 3.3 特征值优化方法 | 第43-45页 |
| 3.4 平均紧性约束下的最坏分离空间平滑线性判别分析（WSLDA） | 第45页 |
| 3.5 平均紧性约束下的最坏分离空间平滑欧氏距离线性判别分析（WIMEDA） | 第45-46页 |
| 3.6 实验 | 第46-50页 |
| 3.6.1 人脸数据集实验 | 第48页 |
| 3.6.2 参数选择实验 | 第48-50页 |
| 3.7 本章小结 | 第50-52页 |
| 第四章 监督型的一般性降维框架 | 第52-58页 |
| 4.1 框架描述 | 第52页 |
| 4.2 几种降维算法在框架下的表示 | 第52-56页 |
| 4.2.1 LDA 在该框架下的表示 | 第53-54页 |
| 4.2.2 LPP 在该框架下的表示 | 第54页 |
| 4.2.3 NPE 在该框架下的表示 | 第54-55页 |
| 4.2.4 SPP 在该框架下的表示 | 第55-56页 |
| 4.3 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 已有工作总结 | 第58-59页 |
| 5.2 未来工作展望 | 第59-60页 |
| 参考文献 | 第60-68页 |
| 致谢 | 第68-70页 |
| 攻读硕士学位期间发表的学术论文 | 第70页 |
| 攻读硕士学位期间参加的科研项目 | 第70页 |
