基于流形学习的高维空间分类器研究
| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 主要符号对照表 | 第11-12页 |
| 第1章 绪论 | 第12-22页 |
| ·降维简介 | 第12-13页 |
| ·线性降维 | 第13-15页 |
| ·非线性降维与流形学习 | 第15-20页 |
| ·论文的主要研究内容 | 第20-21页 |
| ·论文的组织结构 | 第21-22页 |
| 第2章 几种有代表性的流形学习算法 | 第22-32页 |
| ·谱图理论介绍 | 第22-23页 |
| ·等距特征映射(Isomap) | 第23-24页 |
| ·局部线性嵌入(LLE) | 第24-26页 |
| ·拉普拉斯特征映射(LE) | 第26-27页 |
| ·最大方差展开(MVU) | 第27-29页 |
| ·局部切空间排列法(LTSA) | 第29-30页 |
| ·本章小结 | 第30-32页 |
| 第3章 基于谱图理论的无监督分类 | 第32-44页 |
| ·谱聚类 | 第32-34页 |
| ·基于近邻自适应尺度的谱聚类算法 | 第34-39页 |
| ·算法实现 | 第34-36页 |
| ·对“挑战问题”进行聚类分析 | 第36-37页 |
| ·对真实数据集进行聚类分析 | 第37-39页 |
| ·基于谱聚类的两阶段颜色量化算法 | 第39-43页 |
| ·算法实现 | 第39-41页 |
| ·算法验证 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 流形学习中高维数据的固有维数估计 | 第44-52页 |
| ·引言 | 第44页 |
| ·固有维数估计研究概述 | 第44-46页 |
| ·极大似然估计 | 第46-47页 |
| ·自适应极大似然估计 | 第47-48页 |
| ·实验和分析 | 第48-50页 |
| ·本章小结 | 第50-52页 |
| 第5章 等距特征映射算法的性能分析及改进 | 第52-62页 |
| ·等距特征映射算法的性能分析 | 第52-53页 |
| ·改进的等距特征映射算法 | 第53-56页 |
| ·算法实现 | 第54页 |
| ·实验和分析 | 第54-56页 |
| ·基于图像距离的等距特征映射 | 第56-60页 |
| ·算法实现 | 第57-58页 |
| ·实验和分析 | 第58-60页 |
| ·本章小结 | 第60-62页 |
| 第6章 流形学习的核化及分类器设计 | 第62-72页 |
| ·引言 | 第62页 |
| ·核的理论基础 | 第62-64页 |
| ·特征空间及核的定义 | 第62-63页 |
| ·常用的核函数及其构造 | 第63-64页 |
| ·核主成分分析(KPCA) | 第64-65页 |
| ·从核的视角解释流形学习 | 第65-66页 |
| ·KIsomap介绍 | 第66-67页 |
| ·有监督的KIsomap | 第67-69页 |
| ·实验与分析 | 第69页 |
| ·本章小结 | 第69-72页 |
| 第7章 总结和展望 | 第72-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 插图索引 | 第82-84页 |
| 表格索引 | 第84-86页 |
| 附录：作者在攻读博士学位期间发表的论文 | 第86页 |
