摘要 | 第1-5页 |
Abstract | 第5-10页 |
第一章 绪论 | 第10-16页 |
·课题研究背景 | 第10-13页 |
·特征选择技术 | 第10-11页 |
·特征提取技术 | 第11-13页 |
·特征降维技术面临的几个挑战 | 第13-14页 |
·课题的主要研究内容和组织安排 | 第14-16页 |
第二章 广义的势支撑特征选择方法 | 第16-34页 |
·引言 | 第16-17页 |
·势支持向量机P-SVM | 第17-20页 |
·广义的势支撑特征选择方法:GPSFM | 第20-24页 |
·类内离散度 | 第20页 |
·广义的势支撑特征选择方法 | 第20-24页 |
·实验研究 | 第24-33页 |
·真实数据 | 第25-31页 |
·基因数据 | 第31-32页 |
·人脸图像数据 | 第32-33页 |
·本章小结 | 第33-34页 |
第三章 具有特征排序功能的鲁棒性模糊聚类 | 第34-50页 |
·引言 | 第34-35页 |
·模糊C均值聚类方法 | 第35-36页 |
·具有特征排序功能的模糊聚类方法 | 第36-41页 |
·具有特征排序功能的FCA方法 | 第36-40页 |
·基于几何意义的权参数的选取 | 第40-41页 |
·实验研究 | 第41-48页 |
·加噪的IRIS数据 | 第41-44页 |
·加噪纹理图像数据集 | 第44-47页 |
·真实数据集 | 第47-48页 |
·本章小结 | 第48-50页 |
第四章 基于语境距离度量的拉普拉斯最大间距判别准则 | 第50-66页 |
·引言 | 第50-52页 |
·线性拉普拉斯判别准则 | 第52-53页 |
·基于语境距离度量的拉普拉斯最大间距判别准则 | 第53-57页 |
·CLMMC准则 | 第53-56页 |
·CLMMC准则的QR分解法 | 第56-57页 |
·语境距离度量的设定 | 第57-59页 |
·权值的设定 | 第58-59页 |
·实验研究 | 第59-65页 |
·低维非线性流形空间距离度量学习 | 第59-60页 |
·CLMMC与CL-LLD内在联系 | 第60-62页 |
·小样本问题 | 第62-63页 |
·高维非线性流形空间小样本问题和距离度量学习 | 第63-65页 |
·本章小结 | 第65-66页 |
第五章 基于模糊最大散度差判别准则的聚类方法 | 第66-78页 |
·引言 | 第66页 |
·最大散度差判别准则 | 第66-67页 |
·基于模糊最大散度差判别准则的聚类方法 | 第67-72页 |
·模糊最大散度差判别准则 | 第67-69页 |
·设定模糊最大散度判别准则中的参数 | 第69-72页 |
·实验研究 | 第72-76页 |
·基本的聚类功能 | 第72-74页 |
·大数据聚类鲁棒性 | 第74-75页 |
·特征提取 | 第75-76页 |
·本章小结 | 第76-78页 |
第六章 基于矩阵模式的最小类内散度支持向量机 | 第78-92页 |
·引言 | 第78-79页 |
·最小类内散度支持向量机 | 第79-80页 |
·基于矩阵模式的最小类内散度支持向量机 | 第80-86页 |
·线性的矩阵模式最小类内散度支持向量机 | 第81-84页 |
·非线性的基于矩阵模式的最小类内散度支持向量机 | 第84-86页 |
·实验研究 | 第86-90页 |
·矢量数据的矩阵模式分类 | 第86-88页 |
·Ker-MCSVMs~(matrix)方法中使用v~*的合理性 | 第88页 |
·矩阵模式数据的分类 | 第88-90页 |
·本章小结 | 第90-92页 |
第七章 基于全局和局部保持的半监督支持向量机 | 第92-106页 |
·引言 | 第92-93页 |
·流形正则化框架 | 第93-94页 |
·基于全局和局部保持的半监督支持向量机 | 第94-98页 |
·线性的GLSSVMs方法 | 第94-96页 |
·非线性的Ker-GLSSVMs方法 | 第96-98页 |
·实验研究 | 第98-104页 |
·人造团状数据 | 第99-100页 |
·人造流形结构数据 | 第100-101页 |
·UCI真实数据 | 第101-102页 |
·图像数据 | 第102-104页 |
·本章小结 | 第104-106页 |
第八章 结束语 | 第106-108页 |
致谢 | 第108-110页 |
参考文献 | 第110-120页 |
附录:作者在攻读博士学位期间的科研成果 | 第120-121页 |
附录1:攻读博士期间撰写的与课题相关的学术论文 | 第120-121页 |
附录2:攻读博士期间主持和参与的科研项目 | 第121页 |