| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-11页 |
| 目录 | 第11-14页 |
| 1 绪论 | 第14-26页 |
| ·引言 | 第14-15页 |
| ·流形学习的概念及其诠释 | 第15-17页 |
| ·流形的几个基本概念 | 第15页 |
| ·流形学习的定义 | 第15-17页 |
| ·流形学习算法的分类 | 第17-18页 |
| ·流形学习的谱方法研究进展 | 第18-22页 |
| ·本文研究动机 | 第22-23页 |
| ·本文主要研究内容 | 第23-24页 |
| ·本文的组织结构 | 第24-26页 |
| 2 流形学习的谱方法对比分析 | 第26-54页 |
| ·引言 | 第26-27页 |
| ·局部保持的流形学习算法分析 | 第27-38页 |
| ·局部保持的流形学习算法的基本步骤 | 第28页 |
| ·几种典型的局部保持的流形学习算法 | 第28-33页 |
| ·拉普拉斯特征映射 | 第28-29页 |
| ·局部线性嵌入 | 第29-30页 |
| ·局部切空间排列 | 第30-32页 |
| ·局部多维尺度分析 | 第32-33页 |
| ·局部保持的流形学习算法对比简表 | 第33-35页 |
| ·全局线性化局部保持的流形学习算法 | 第35-37页 |
| ·局部保持的流形学习算法实验比较 | 第37-38页 |
| ·全局保持的流形学习算法分析 | 第38-53页 |
| ·几种典型的全局保持的流形学习算法 | 第39-48页 |
| ·核主成分分析 | 第39-43页 |
| ·PCA | 第39-41页 |
| ·KPCA | 第41-43页 |
| ·等度规映射 | 第43-46页 |
| ·MDS | 第44-45页 |
| ·ISOMAP | 第45-46页 |
| ·最大方差展开 | 第46-48页 |
| ·全局保持的流形学习算法对比简表 | 第48-50页 |
| ·全局保持的流形学习算法实验比较 | 第50-53页 |
| ·小结 | 第53-54页 |
| 3 基于LLE的动态增殖流形学习算法 | 第54-67页 |
| ·增殖流形学习的概念及依据 | 第54-56页 |
| ·LLE的相关研究工作 | 第56-57页 |
| ·基于LLE的动态增殖流形学习算法(DI-LLE) | 第57-60页 |
| ·问题分析 | 第57-58页 |
| ·算法描述 | 第58-60页 |
| ·复杂度分析 | 第60页 |
| ·实验 | 第60-66页 |
| ·人造数据集上的对比实验 | 第60-63页 |
| ·人脸数据集上的可视化实验 | 第63-66页 |
| ·小结 | 第66-67页 |
| 4 基于测地线距离的广义高斯型拉普拉斯特征映射 | 第67-78页 |
| ·引言 | 第67页 |
| ·相关研究工作 | 第67-70页 |
| ·测地线距离 | 第67-68页 |
| ·LE算法的理论解释 | 第68-70页 |
| ·基于测地线距离的广义高斯型拉普拉斯特征映射(GGLE) | 第70-74页 |
| ·问题分析 | 第70-71页 |
| ·算法描述 | 第71-72页 |
| ·GGLE算法分析 | 第72-74页 |
| ·实验 | 第74-77页 |
| ·人造数据集上的可视化实验 | 第74-75页 |
| ·USPS手写体数字数据集上的可视化实验 | 第75-77页 |
| ·小结 | 第77-78页 |
| 5 流形学习算法的集成判别算法 | 第78-92页 |
| ·引言 | 第78-79页 |
| ·相关研究工作 | 第79-81页 |
| ·集成的ISOMAP算法 | 第79-80页 |
| ·En-ULLELDA算法 | 第80-81页 |
| ·基于测地线距离的广义高斯型拉普拉斯特征映射算法的集成判别算法 | 第81-86页 |
| ·问题分析 | 第81-82页 |
| ·算法描述 | 第82-83页 |
| ·EGGLE算法的复杂度分析 | 第83页 |
| ·EGGLE算法在木纹识别上的实验 | 第83-86页 |
| ·EGGLE-LDA算法 | 第86-91页 |
| ·算法分析与描述 | 第86-87页 |
| ·EGGLE-LDA算法的实验 | 第87-91页 |
| ·木纹数据集上的识别实验 | 第87-89页 |
| ·USPS手写体数字数据集上的识别实验 | 第89-90页 |
| ·实验分析 | 第90-91页 |
| ·小结 | 第91-92页 |
| 6 全局拉普拉斯展开算法 | 第92-108页 |
| ·引言 | 第92页 |
| ·半定规划 | 第92-94页 |
| ·正半定矩阵与内积矩阵 | 第93页 |
| ·SDP(半定规划)问题与对偶 | 第93-94页 |
| ·半定规划问题的求解工具 | 第94页 |
| ·全局拉普拉斯展开算法(GLU) | 第94-98页 |
| ·算法分析 | 第94-97页 |
| ·算法步骤 | 第97-98页 |
| ·GLU的线性化与相关算法的关系 | 第98-100页 |
| ·无监督的鉴别投影算法(UDP) | 第98-99页 |
| ·GLU与UDP的关系 | 第99-100页 |
| ·实验 | 第100-107页 |
| ·月亮形数据集上的可视化实验 | 第100-102页 |
| ·USPS手写体数字数据集上的可视化实验 | 第102-104页 |
| ·人脸图像集上的可视化实验 | 第104-107页 |
| ·小结 | 第107-108页 |
| 7 全文总结与展望 | 第108-111页 |
| ·本文的主要贡献 | 第108-109页 |
| ·未来研究的方向 | 第109-111页 |
| 参考文献 | 第111-121页 |
| 作者简历 | 第121-123页 |
| 学位论文数据集 | 第123页 |
