| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-13页 |
| 1 绪论 | 第13-17页 |
| ·研究背景与意义 | 第13-14页 |
| ·国内外研究现状 | 第14-15页 |
| ·本文的主要工作及成果 | 第15-16页 |
| ·本文研究内容与论文结构 | 第16-17页 |
| 2 流形学习理论概述 | 第17-30页 |
| ·线性降维方法 | 第17-19页 |
| ·主成分分析 | 第17-18页 |
| ·多维尺度变换 | 第18-19页 |
| ·非线性降维方法 | 第19-22页 |
| ·等距离映射(ISOMAP) | 第19-20页 |
| ·局部线性嵌入(LLE) | 第20-21页 |
| ·拉普拉斯特征映射(Laplacian Eigenmaps) | 第21-22页 |
| ·流形学习中需要解决的问题 | 第22-23页 |
| ·有监督的学习 | 第22页 |
| ·新样本的映射学习能力 | 第22-23页 |
| ·监督型流形学习算法研究与分析 | 第23-29页 |
| ·局部敏感判别分析算法LSDA | 第24-26页 |
| ·监督型等距映射 | 第26页 |
| ·监督型局部线性嵌入 | 第26-27页 |
| ·最大间距准则 | 第27-28页 |
| ·局部保持判别分析 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 3 基于测地距离的监督型LLE降维算法 | 第30-42页 |
| ·引言 | 第30页 |
| ·ISO-SPLLE算法 | 第30-32页 |
| ·极限学习机进行无标签数据降维 | 第32-35页 |
| ·极限学习机简介 | 第32-34页 |
| ·无标签数据降维 | 第34-35页 |
| ·实验与结果分析 | 第35-41页 |
| ·本章小结 | 第41-42页 |
| 4 基于马氏距离的监督型LLE降维算法 | 第42-54页 |
| ·引言 | 第42页 |
| ·马氏距离学习 | 第42-45页 |
| ·MSP-LLE算法 | 第45-47页 |
| ·未知类别数据处理 | 第47-48页 |
| ·实验与结果分析 | 第48-53页 |
| ·UCI标准数据 | 第48-49页 |
| ·遥感图像数据 | 第49-53页 |
| ·本章小结 | 第53-54页 |
| 5 结论 | 第54-56页 |
| ·研究总结 | 第54-55页 |
| ·需要进一步开展的工作 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 作者简历 | 第59页 |