| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景 | 第10页 |
| ·发展状况 | 第10-14页 |
| ·国外高维数据集上的统计学习方法的发展状况 | 第10-13页 |
| ·国内高维数据集上的统计学习方法的发展状况 | 第13-14页 |
| ·本文研究目标及主要内容 | 第14-15页 |
| ·研究对象及目标 | 第14页 |
| ·主要内容 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 第二章 常见的高维数据集上的统计学习方法 | 第16-27页 |
| ·高维数据降维 | 第16-21页 |
| ·基于独立规则的特征提取算法 | 第16-17页 |
| ·NSC 方法 | 第17-18页 |
| ·特征提取 | 第18-20页 |
| ·充分数据降维 | 第20-21页 |
| ·谱特征提取 | 第21页 |
| ·主成分分析 | 第21-23页 |
| ·Johnson-Lindenstrauss 引理 | 第23-26页 |
| ·预备知识 | 第23页 |
| ·Johnson Lindenstrauss 引理 | 第23-24页 |
| ·随机矩阵的生成算法 | 第24-25页 |
| ·改进 JL 引理中k 的下界 | 第25-26页 |
| ·AdaBoost 算法 | 第26-27页 |
| 第三章 基于 PCA 的高维数据降维算法 | 第27-44页 |
| ·JL-PCA：一种保欧几里得距离降维算法 | 第27-37页 |
| ·算法方案 | 第27-28页 |
| ·仿真实验 | 第28-37页 |
| ·实验结果分析 | 第37页 |
| ·高效的确定性稳健 PCA 算法 | 第37-43页 |
| ·算法方案 | 第37-40页 |
| ·算法的理论证明 | 第40-43页 |
| ·改进设想 | 第43页 |
| ·JL-PCA 算法 | 第43页 |
| ·高效的确定性稳健 PCA 算法的改进方案设想 | 第43页 |
| ·本章小结 | 第43-44页 |
| 第四章 基于 ADABOOST 和微分演化的高维数据降维算法 | 第44-51页 |
| ·算法方案 | 第44-47页 |
| ·原理分析 | 第47-49页 |
| ·AdaBoost 算法 | 第47-49页 |
| ·微分演化 | 第49页 |
| ·仿真实验 | 第49页 |
| ·高维数据集上降维算法的应用 | 第49-50页 |
| ·改进设想 | 第50页 |
| ·本章小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间取得的研究成果 | 第57-58页 |
| 致谢 | 第58-59页 |
| 附件 | 第59页 |
