快速与增量式数据降维算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第15-26页 |
| 1.1 研究背景与研究意义 | 第15-17页 |
| 1.2 经典数据降维算法介绍 | 第17-23页 |
| 1.3 本文的主要工作与组织结构 | 第23-26页 |
| 第二章 线性降维中基本问题的讨论 | 第26-36页 |
| 2.1 线性降维与矩阵分解 | 第26-27页 |
| 2.2 数据选择与自适应的阈值系统 | 第27-31页 |
| 2.3 线性方程组的求解问题与矩阵条件数 | 第31-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于数据选择的半非负矩阵分解算法研究 | 第36-50页 |
| 3.1 引言 | 第36-37页 |
| 3.2 相关工作介绍 | 第37-38页 |
| 3.3 基于数据选择的semi-NMF算法 | 第38-41页 |
| 3.4 实验 | 第41-48页 |
| 3.4.1 在单张图片上的矩阵分解实验 | 第42-44页 |
| 3.4.2 在真实数据集上的实验 | 第44-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 正交成分提取算法研究 | 第50-66页 |
| 4.1 引言 | 第50-51页 |
| 4.2 OCA算法描述 | 第51-52页 |
| 4.3 OCA算法分析 | 第52-55页 |
| 4.4 实验 | 第55-65页 |
| 4.4.1 在人工数据集上的实验 | 第55-58页 |
| 4.4.2 在真实数据集上的实验 | 第58-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第五章 增量式正交成分提取算法研究 | 第66-88页 |
| 5.1 引言 | 第66-68页 |
| 5.2 IOCA算法描述 | 第68-70页 |
| 5.3 IOCA算法分析 | 第70-76页 |
| 5.3.1 关于IOCA学习过程的分析 | 第70-75页 |
| 5.3.2 关于IOCA有效性的分析 | 第75-76页 |
| 5.4 实验 | 第76-86页 |
| 5.4.1 在人工数据上的实验 | 第77-79页 |
| 5.4.2 在真实数据集上的实验 | 第79-86页 |
| 5.5 本章小结 | 第86-88页 |
| 第六章 子空间正交基底在线调整算法研究 | 第88-105页 |
| 6.1 引言 | 第88页 |
| 6.2 子空间正交基底调整算法 | 第88-97页 |
| 6.2.1 子空间的“对齐” | 第90-92页 |
| 6.2.2 子空间的基底的更新 | 第92-93页 |
| 6.2.3 新子空间唯一性的证明 | 第93-97页 |
| 6.3 EOCA算法 | 第97-99页 |
| 6.4 实验 | 第99-103页 |
| 6.4.1 在人工数据集上的实验 | 第99-101页 |
| 6.4.2 在真实数据集上的实验 | 第101-103页 |
| 6.5 本章小结 | 第103-105页 |
| 第七章 基于拓扑学习的流形学习算法研究 | 第105-128页 |
| 7.1 引言 | 第105-107页 |
| 7.2 相关工作介绍 | 第107-111页 |
| 7.2.1 Isomap | 第107-108页 |
| 7.2.2 SOINN | 第108-111页 |
| 7.3 拓扑学习嵌入 | 第111-117页 |
| 7.3.1 拓扑学习 | 第111-116页 |
| 7.3.2 数据嵌入 | 第116-117页 |
| 7.4 实验 | 第117-125页 |
| 7.4.1 人工数据集上的实验 | 第117-119页 |
| 7.4.2 在手写数字数据集上的实验 | 第119-125页 |
| 7.5 本章小结 | 第125-128页 |
| 第八章 总结和展望 | 第128-130页 |
| 8.1 工作总结 | 第128-129页 |
| 8.2 工作展望 | 第129-130页 |
| 参考文献 | 第130-140页 |
| 简历与科研成果 | 第140-142页 |
| 致谢 | 第142-143页 |
