| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 KNN研究现状 | 第11页 |
| 1.3 本文的主要工作和组织结构 | 第11-13页 |
| 第2章 相关理论知识介绍 | 第13-20页 |
| 2.1 KNN算法简介 | 第13-15页 |
| 2.1.1 KNN算法描述 | 第13-14页 |
| 2.1.2 KNN算法存在的一些问题 | 第14-15页 |
| 2.2 稀疏学习 | 第15-18页 |
| 2.2.1 稀疏学习基本思想 | 第15-17页 |
| 2.2.2 稀疏学习的应用 | 第17-18页 |
| 2.3 流形学习 | 第18-19页 |
| 2.3.1 流形学习基本思想 | 第18-19页 |
| 2.3.2 LPP算法 | 第19页 |
| 2.4 小结 | 第19-20页 |
| 第3章 SA-KNN算法 | 第20-32页 |
| 3.1 SA-KNN算法解决问题的思路 | 第20页 |
| 3.2 SA-KNN算法 | 第20-25页 |
| 3.2.1 SA-KNN算法模型 | 第20-23页 |
| 3.2.2 SA-KNN算法过程 | 第23-25页 |
| 3.3 两种算法优化求解 | 第25-31页 |
| 3.3.1 近似加速梯度优化方法 | 第26-28页 |
| 3.3.2 快速收敛迭代优化方法 | 第28-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 SA-KNN算法在分类和回归中的应用及其实验 | 第32-43页 |
| 4.1 分类和回归中的应用 | 第32页 |
| 4.2 实验评价指标和数据集说明 | 第32-34页 |
| 4.3 实验结果及其分析 | 第34-40页 |
| 4.3.1 回归任务的实验结果 | 第34-37页 |
| 4.3.2 分类任务的实验结果 | 第37-39页 |
| 4.3.3 SA-KNN性能优越性分析 | 第39-40页 |
| 4.4 调节参数的选取 | 第40-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 全文总结与展望 | 第43-45页 |
| 5.1 全文总结 | 第43页 |
| 5.2 展望 | 第43-45页 |
| 参考文献 | 第45-51页 |
| 致谢 | 第51-52页 |
| 在读期间科研成果 | 第52-53页 |