维数约简研究及其在特征提取中的应用
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 插图目录 | 第12-13页 |
| 表格目录 | 第13-14页 |
| 1 绪论 | 第14-29页 |
| ·数据降维的研究背景 | 第14-16页 |
| ·高维数据带来的挑战 | 第14-15页 |
| ·维数约简的概念及应用 | 第15-16页 |
| ·维数约简的研究进展 | 第16-27页 |
| ·针对向量数据的维数约简 | 第16-23页 |
| ·针对张量数据的维数约简 | 第23-27页 |
| ·本文的研究工作概述 | 第27-28页 |
| ·本文内容安排 | 第28-29页 |
| 2 面向非线性流形的随机近邻投影 | 第29-49页 |
| ·引言 | 第29-31页 |
| ·基于随机近邻概率保持的流形嵌入 | 第31-32页 |
| ·随机近邻投影 | 第32-37页 |
| ·算法理论 | 第32-35页 |
| ·算法分析 | 第35-37页 |
| ·实验仿真与结果分析 | 第37-47页 |
| ·MSNP的基图像 | 第37-38页 |
| ·数据可视化 | 第38-43页 |
| ·人脸识别 | 第43-47页 |
| ·掌纹识别 | 第47页 |
| ·本章小结 | 第47-49页 |
| 3 自适应局部鉴别化投影 | 第49-65页 |
| ·引言 | 第49-50页 |
| ·相关工作 | 第50-52页 |
| ·局部排列框架 | 第50-51页 |
| ·鉴别化局部块排列 | 第51-52页 |
| ·自适应局部鉴别化投影 | 第52-57页 |
| ·类别导向的局部块 | 第52-54页 |
| ·自适应局部鉴别分析 | 第54-57页 |
| ·算法分析 | 第57页 |
| ·实验仿真与结果分析 | 第57-64页 |
| ·ALDP的性质 | 第58-60页 |
| ·人脸识别对比试验 | 第60-64页 |
| ·本章小结 | 第64-65页 |
| 4 局部张量子空间排列 | 第65-83页 |
| ·引言 | 第65-68页 |
| ·高阶数据的张量投影 | 第68-72页 |
| ·张量代数基础 | 第68-70页 |
| ·用于维数约简的张量投影 | 第70-72页 |
| ·局部张量子空间排列算法 | 第72-76页 |
| ·局部秩一张量子空间 | 第72-75页 |
| ·局部秩一张量子空间的全局排列 | 第75-76页 |
| ·算法分析与讨论 | 第76-78页 |
| ·算法分析 | 第76-77页 |
| ·LTESAE的泛化 | 第77-78页 |
| ·实验仿真与结果分析 | 第78-82页 |
| ·高阶数据可视化 | 第78-80页 |
| ·人脸识别 | 第80-82页 |
| ·本章小结 | 第82-83页 |
| 5 局部鉴别化正交秩一张量投影 | 第83-96页 |
| ·引言 | 第83-85页 |
| ·相关工作 | 第85-87页 |
| ·鉴别化正交秩一投影 | 第85-86页 |
| ·图像的Global-Local表示 | 第86-87页 |
| ·LDOROTP的算法原理 | 第87-91页 |
| ·问题描述 | 第87-88页 |
| ·学习模型 | 第88-90页 |
| ·模型求解 | 第90-91页 |
| ·实验仿真与结果分析 | 第91-94页 |
| ·Yale数据库 | 第92页 |
| ·PIE数据库 | 第92-94页 |
| ·本章小结 | 第94-96页 |
| 结束语 | 第96-99页 |
| 致谢 | 第99-100页 |
| 参考文献 | 第100-115页 |
| 附录 | 第115页 |
