基于时空局部嵌入的有向网络数据降维
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 引言 | 第7-10页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 时空局部嵌入算法简介 | 第8页 |
| 1.3 本文结构 | 第8-10页 |
| 第2章 经典的数据降维算法 | 第10-19页 |
| 2.1 线性降维算法 | 第10-12页 |
| 2.1.1 主成分分析 | 第10-11页 |
| 2.1.2 线性判别式分析 | 第11-12页 |
| 2.2 非线性降维算法 | 第12-19页 |
| 2.2.1 基于局部特征的降维算法 | 第12-15页 |
| 2.2.2 基于全局特征的降维算法 | 第15-19页 |
| 第3章 时空局部嵌入算法 | 第19-28页 |
| 3.1 时空局部嵌入算法简述 | 第19-23页 |
| 3.1.1 随机邻域嵌入算法 | 第19-20页 |
| 3.1.2 对称随机邻域嵌入算法 | 第20-21页 |
| 3.1.3 t-分布邻域嵌入算法 | 第21页 |
| 3.1.4 时空局部嵌入算法 | 第21-23页 |
| 3.2 自适应相似度计算方法 | 第23-26页 |
| 3.2.1 经典相似度计算方法 | 第23-25页 |
| 3.2.2 自适应相似度定义 | 第25-26页 |
| 3.3 基于相似度的稀疏化预处理 | 第26页 |
| 3.4 Space-time初值选取 | 第26-27页 |
| 3.5 可视化评价指标 | 第27-28页 |
| 第4章 杂志引用网络可视化分析 | 第28-55页 |
| 4.1 问题描述 | 第28页 |
| 4.2 数据预处理 | 第28-30页 |
| 4.3 人工数据集分析 | 第30-34页 |
| 4.4 杂志网络分析 | 第34-55页 |
| 4.4.1 稀疏化预处理的可视化分析 | 第34-40页 |
| 4.4.2 自适应相似度参数的可视化分析 | 第40-45页 |
| 4.4.3 自适应相似度参数的可视化分析 | 第45-50页 |
| 4.4.4 进一步分类别分析 | 第50-55页 |
| 第5章 结论与展望 | 第55-56页 |
| 5.1 本文结论 | 第55页 |
| 5.2 进一步展望 | 第55-56页 |
| 参考文献 | 第56-58页 |
| 致谢 | 第58-60页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第60页 |
