| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景及意义 | 第16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 经典降维算法 | 第16-18页 |
| 1.2.2 图嵌入与超图构建 | 第18页 |
| 1.2.3 稀疏表示与协作表示 | 第18-19页 |
| 1.3 论文主要研究内容与章节安排 | 第19-22页 |
| 第二章 图嵌入与特征表示概述 | 第22-30页 |
| 2.1 引言 | 第22页 |
| 2.2 图嵌入框架 | 第22-25页 |
| 2.2.1 边缘费舍尔分析（MFA） | 第23-24页 |
| 2.2.2 近邻保持嵌入（NPE） | 第24-25页 |
| 2.3 超图框架 | 第25-26页 |
| 2.4 稀疏表示与协作表示 | 第26-28页 |
| 2.4.1 稀疏表示分类（SRC） | 第26-27页 |
| 2.4.2 协作表示分类（CRC） | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 基于特征完整表示的有监督子空间学习 | 第30-50页 |
| 3.1 引言 | 第30-31页 |
| 3.2 基于图的协作表示判别分析（CGDA） | 第31-33页 |
| 3.3 基于完整表示的有监督特征提取与嵌入方法（CRFEE） | 第33-39页 |
| 3.3.1 CRFEE算法描述 | 第33-36页 |
| 3.3.2 CRFEE快速算法（CRFEE-A） | 第36-39页 |
| 3.4 实验结果与分析 | 第39-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 基于超图构建的子空间学习 | 第50-68页 |
| 4.1 引言 | 第50页 |
| 4.2 判别超图拉普拉斯投影（DHLP） | 第50-52页 |
| 4.3 基于零空间的超图拉普拉斯判别分析（NDHLA） | 第52-57页 |
| 4.3.1 算法描述 | 第52-54页 |
| 4.3.2 实验结果与分析 | 第54-57页 |
| 4.4 基于多图的协作回归判别分析（MGCR） | 第57-66页 |
| 4.4.1 算法描述 | 第57-61页 |
| 4.4.2 实验结果与分析 | 第61-66页 |
| 4.5 本章小结 | 第66-68页 |
| 第五章 雷达辐射源个体识别中的特征降维 | 第68-82页 |
| 5.1 引言 | 第68页 |
| 5.2 雷达辐射源个体识别概述 | 第68-70页 |
| 5.2.1 特征提取 | 第68-70页 |
| 5.2.2 分类器设计 | 第70页 |
| 5.3 基于特征完整表示的辐射源个体特征降维 | 第70-75页 |
| 5.4 基于多图协作回归的辐射源个体特征降维 | 第75-80页 |
| 5.5 本章小结 | 第80-82页 |
| 第六章 总结与展望 | 第82-84页 |
| 6.1 全文总结 | 第82-83页 |
| 6.2 未来展望 | 第83-84页 |
| 参考文献 | 第84-90页 |
| 致谢 | 第90-92页 |
| 作者简介 | 第92-93页 |