| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 数据降维方法概述 | 第14-15页 |
| 1.2.2 流形学习的研究及应用 | 第15-16页 |
| 1.2.3 流形学习方法存在的问题 | 第16-19页 |
| 1.3 研究内容与论文结构 | 第19-21页 |
| 1.3.1 研究内容与关键问题 | 第19-20页 |
| 1.3.2 论文结构安排 | 第20-21页 |
| 第2章 经典流形学习方法及其应用研究 | 第21-51页 |
| 2.1 线性降维方法概述 | 第21-26页 |
| 2.2 几种典型的流形学习方法 | 第26-33页 |
| 2.2.1 等距映射算法（Isomap） | 第27-28页 |
| 2.2.2 局部线性嵌入算法（LLE） | 第28-29页 |
| 2.2.3 局部切空间对齐算法（LTSA） | 第29-30页 |
| 2.2.4 最大线性嵌入算法（MLE） | 第30-31页 |
| 2.2.5 自适应流形学习算法（AML） | 第31-32页 |
| 2.2.6 流形学习方法的异同点与关键问题 | 第32-33页 |
| 2.3 流形学习在人脸识别与头部姿态估计中的应用研究 | 第33-40页 |
| 2.3.1 算法描述 | 第34-37页 |
| 2.3.2 实验及结果 | 第37-40页 |
| 2.4 流形学习在步态捕获方法中的应用研究 | 第40-50页 |
| 2.4.1 算法描述 | 第41-48页 |
| 2.4.2 测试结果及分析 | 第48-50页 |
| 2.5 本章小结 | 第50-51页 |
| 第3章 自适应最大线性邻域选择方法 | 第51-71页 |
| 3.1 降维效果的评价指标 | 第51-52页 |
| 3.2 现有邻域选择方法的缺陷 | 第52-59页 |
| 3.3 合理邻域的特性及选择标准 | 第59-61页 |
| 3.4 自适应最大线性邻域选择方法 | 第61-70页 |
| 3.4.1 基于法空间夹角的最大线性邻域选择方法 | 第61-64页 |
| 3.4.2 基于数据点分布的最大线性邻域选择方法 | 第64-66页 |
| 3.4.3 性能比较 | 第66-70页 |
| 3.5 本章小结 | 第70-71页 |
| 第4章 改进的ISOMAP和LLE算法 | 第71-78页 |
| 4.1 改进的Isomap算法 | 第71-74页 |
| 4.2 加权LLE算法 | 第74-77页 |
| 4.3 本章小结 | 第77-78页 |
| 第5章 基于图集相容性的流形学习方法 | 第78-98页 |
| 5.1 ACT的基本思想 | 第78-79页 |
| 5.2 散乱点云数据的图集相容性条件 | 第79-81页 |
| 5.3 带权重的最大线性图集嵌入算法 | 第81-87页 |
| 5.4 最大线性图集的选取 | 第87-89页 |
| 5.5 增量学习和重构问题 | 第89-91页 |
| 5.6 实验及结果 | 第91-97页 |
| 5.6.1 散乱点云数据集实验 | 第91-97页 |
| 5.6.2 图像数据集实验 | 第97页 |
| 5.7 本章小结 | 第97-98页 |
| 第6章 数据预处理方法 | 第98-109页 |
| 6.1 噪声和数据点非均匀分布对降维效果的影响 | 第98-101页 |
| 6.1.1 噪声对降维效果的影响 | 第98-100页 |
| 6.1.2 数据点非均匀分布对降维效果的影响 | 第100-101页 |
| 6.2 数据集去噪声处理方法 | 第101-104页 |
| 6.3 非均匀分布数据集的预处理方法 | 第104-108页 |
| 6.4 本章小结 | 第108-109页 |
| 第7章 总结与展望 | 第109-112页 |
| 7.1 总结 | 第109-110页 |
| 7.2 进一步研究方向 | 第110-112页 |
| 参考文献 | 第112-120页 |
| 攻读博士学位期间发表的学术论文 | 第120-122页 |
| 致谢 | 第122-123页 |