| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| §1-1 研究的目的和意义 | 第7-8页 |
| §1-2 降维问题的相关概念 | 第8-10页 |
| 1-2-1 降维的定义 | 第8页 |
| 1-2-2 降维分类 | 第8-9页 |
| 1-2-3 维数灾难 | 第9页 |
| 1-2-4 本征维数 | 第9页 |
| 1-2-5 流形学习 | 第9-10页 |
| §1-3 降维方法概述 | 第10-11页 |
| 1-3-1 降维算法的研究现状 | 第10页 |
| 1-3-2 线性降维算法 | 第10-11页 |
| 1-3-3 非线性降维算法 | 第11页 |
| §1-4 EEG 问题简述 | 第11-14页 |
| 1-4-1 脑电研究的两个基本问题 | 第12页 |
| 1-4-2 脑电研究的源模型 | 第12-13页 |
| 1-4-3 脑电研究的头模型 | 第13-14页 |
| §1-5 本文的主要工作 | 第14-15页 |
| 第二章 降维算法 | 第15-26页 |
| §2-1 主成分分析法 | 第15-17页 |
| 2-1-1 基本原理及主要步骤 | 第15-16页 |
| 2-1-2 基本条件与基本性质 | 第16-17页 |
| 2-1-3 本征维数估计 | 第17页 |
| §2-2 等距映射算法 | 第17-20页 |
| 2-2-1 多维尺度算法 | 第18页 |
| 2-2-2 Isomap 算法原理 | 第18-19页 |
| 2-2-3 本征维数的估计 | 第19页 |
| 2-2-4 算法应用实例 | 第19-20页 |
| 2-2-5 Isomap 算法的相关讨论 | 第20页 |
| §2-3 有监督学习的ISOMAP 算法 | 第20-25页 |
| 2-3-1 S-Isomap 算法原理 | 第21-23页 |
| 2-3-2 基于S-Isomap 的可视化和分类 | 第23-24页 |
| 2-3-3 算法应用实例 | 第24-25页 |
| §2-4 本章小结 | 第25-26页 |
| 第三章 支持向量机分类算法 | 第26-33页 |
| §3-1 模式识别简介 | 第26页 |
| §3-2 分类问题描述 | 第26-27页 |
| §3-3 支持向量机 | 第27-32页 |
| 3-3-1 SVM 基本原理 | 第28页 |
| 3-3-2 SVM 数学模型 | 第28-31页 |
| 3-3-3 支持向量机的构造 | 第31-32页 |
| §3-4 本章小结 | 第32-33页 |
| 第四章 基于非线性降维的脑电产生源 SVM分类实验 | 第33-47页 |
| §4-1 脑电产生源模型 | 第33-38页 |
| 4-1-1 头模型的建立 | 第33-34页 |
| 4-1-2 头皮电极的选择 | 第34-35页 |
| 4-1-3 偶极子源模型的建立 | 第35-36页 |
| 4-1-4 头皮电位求解 | 第36-37页 |
| 4-1-5 实验数据的产生 | 第37-38页 |
| §4-2 ISOMAP 降维仿真实验 | 第38-44页 |
| 4-2-1 Isomap 算法描述 | 第38-39页 |
| 4-2-2 Isomap 算法的源程序功能说明 | 第39页 |
| 4-2-3 源程序的使用说明 | 第39-40页 |
| 4-2-4 仿真实验环境 | 第40-41页 |
| 4-2-5 仿真实验结果 | 第41-44页 |
| §4-3 SVM 数据分类 | 第44-45页 |
| 4-3-1 SVM 实现过程 | 第44-45页 |
| 4-3-2 分类仿真实验结果 | 第45页 |
| 4-4 本章小结 | 第45-47页 |
| 第五章 结论 | 第47-48页 |
| 参考文献 | 第48-50页 |
| 致谢 | 第50-51页 |
| 攻读学位期间所取得的相关科研成果 | 第51页 |