| 摘要 | 第5-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第17-25页 |
| 1.1 研究背景 | 第17-18页 |
| 1.2 研究内容 | 第18-21页 |
| 1.3 研究贡献 | 第21-23页 |
| 1.4 章节安排 | 第23-25页 |
| 第二章 图论相关基础与数学表示 | 第25-31页 |
| 2.1 本文数学符号约定 | 第25-26页 |
| 2.2 图论的必要知识 | 第26-28页 |
| 2.3 流形排序矩阵 | 第28-29页 |
| 2.4 本章总结 | 第29-31页 |
| 第三章 改进LGC算法用于极少训练样本时构建监督模型 | 第31-65页 |
| 3.1 一种改进的LGC算法 | 第33-39页 |
| 3.2 一种新型监督模型构建框架：后验概率学习算法框架 | 第39-41页 |
| 3.3 后验概率传播：从标记样本到无标记样本的后验概率传播 | 第41-43页 |
| 3.4 后验分布拟合：一个稳健多变量模型拟合后验概率分布 | 第43-49页 |
| 3.5 实验仿真 | 第49-61页 |
| 3.5.1 人工合成数据集 | 第50-56页 |
| 3.5.2 现实世界数据集 | 第56-61页 |
| 3.6 本章总结与展望 | 第61-65页 |
| 第四章 基于流形排序矩阵的流形聚类与代表点选取算法 | 第65-91页 |
| 4.1 经典k均值算法回顾 | 第67-68页 |
| 4.2 一种新型图k均值流形聚类算法 | 第68-72页 |
| 4.2.1 更新类别中心 | 第68-70页 |
| 4.2.2 更新成员关系 | 第70-72页 |
| 4.3 一种新型去除类间桥接点算法 | 第72-73页 |
| 4.4 大数据集处理时的考虑 | 第73-74页 |
| 4.5 实验仿真 | 第74-89页 |
| 4.5.1 基准算法 | 第74页 |
| 4.5.2 实验设置与参数选择 | 第74-75页 |
| 4.5.3 一种有效的类别中心初始化方法 | 第75-76页 |
| 4.5.4 聚类性能试验 | 第76-82页 |
| 4.5.5 代表点选取实验结果 | 第82-83页 |
| 4.5.6 时间复杂度对比实验 | 第83-88页 |
| 4.5.7 图的构建以及距离计算对于算法影响 | 第88-89页 |
| 4.6 本章总结与展望 | 第89-91页 |
| 第五章 排序矩阵快速算法及神经网络特征映射和结构分析 | 第91-127页 |
| 5.1 一种快速的流形排序矩阵算法 | 第91-96页 |
| 5.1.1 邻接矩阵的近似 | 第92-94页 |
| 5.1.2 大矩阵求逆 | 第94-95页 |
| 5.1.3 复杂度分析 | 第95-96页 |
| 5.2 Neu Cube脉冲神经网络系统的特征映射与结构分析 | 第96-105页 |
| 5.2.1 Neucube脉冲神经网络架构 | 第97-99页 |
| 5.2.2 时序变量到三维神经网络的最优映射方法 | 第99-103页 |
| 5.2.3 流形排序矩阵算法用于网络结构分析和可视化 | 第103-105页 |
| 5.3 实验仿真 | 第105-124页 |
| 5.3.1 流形排序矩阵快速算法用于大幅遥感图像的分割 | 第105-111页 |
| 5.3.2 新型Neu Cube学习框架用于两个时空数据案例研究 | 第111-124页 |
| 5.4 本章总结与展望 | 第124-127页 |
| 第六章 总结与展望 | 第127-131页 |
| 参考文献 | 第131-141页 |
| 致谢 | 第141-143页 |
| 攻读学位期间发表的学术论文目录 | 第143-145页 |
| 附件 | 第145页 |
