| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-14页 |
| 第1章 绪论 | 第14-26页 |
| ·研究背景及现状 | 第14-23页 |
| ·研究背景 | 第14-16页 |
| ·降维技术研究概况 | 第16-20页 |
| ·降维技术在人脸识别中的应用 | 第20-23页 |
| ·论文主要工作 | 第23-24页 |
| ·论文的结构安排 | 第24-26页 |
| 第2章 基于全局统计的数据降维 | 第26-44页 |
| ·引言 | 第26页 |
| ·经典的线性降维技术 | 第26-39页 |
| ·主成分分析(PCA) | 第26-30页 |
| ·Bayesian算法/概率PCA | 第30-33页 |
| ·独立分量分析(ICA) | 第33-36页 |
| ·线性判别分析(LDA) | 第36-39页 |
| ·PCA,LDA和Bayesian算法的人脸识别应用 | 第39页 |
| ·LDA算法分析 | 第39-42页 |
| ·LDA算法的问题 | 第39-40页 |
| ·LDA的改进算法 | 第40-42页 |
| ·本章小结 | 第42-44页 |
| 第3章 稳健的非线性主分量分析 | 第44-60页 |
| ·引言 | 第44页 |
| ·基于核的非线性降维 | 第44-48页 |
| ·核技巧原理 | 第44-46页 |
| ·基于核的非线性降维 | 第46页 |
| ·非线性主分量分析(KPCA) | 第46-48页 |
| ·稳健的非线性主分量分析(Robust KPCA) | 第48-54页 |
| ·PCA和KPCA稳健性分析 | 第48-49页 |
| ·Robust PCA/KPCA算法 | 第49-51页 |
| ·IRobust KPCA算法推导 | 第51-54页 |
| ·参数α,β,η的选择 | 第54页 |
| ·实验及分析 | 第54-59页 |
| ·实验设置 | 第54-55页 |
| ·实验结果 | 第55-59页 |
| ·本章小结 | 第59-60页 |
| 第4章 基于局部几何的数据降维 | 第60-90页 |
| ·引言 | 第60-61页 |
| ·几种经典的流形学习算法 | 第61-70页 |
| ·等距映射(Isomap) | 第61-63页 |
| ·局部线性嵌入(LLE) | 第63-67页 |
| ·拉普拉斯特征图映射(LE) | 第67-68页 |
| ·局部切空间排列(LTSA) | 第68-69页 |
| ·流形学习算法分析 | 第69-70页 |
| ·流形学习算法的扩展 | 第70-75页 |
| ·Out-of-sample扩展和监督扩展 | 第70-72页 |
| ·局部保持投影(LPP) | 第72-73页 |
| ·边界费舍尔分析(MFA) | 第73-75页 |
| ·基于邻域选择优化的子流形判别分析(SMDA) | 第75-84页 |
| ·问题的提出 | 第75-76页 |
| ·邻域选择优化 | 第76-79页 |
| ·算法推导 | 第79-84页 |
| ·实验及分析 | 第84-88页 |
| ·Yale人脸数据集实验结果 | 第84-86页 |
| ·UMIST人脸数据集实验结果 | 第86-88页 |
| ·分析与讨论 | 第88页 |
| ·本章小结 | 第88-90页 |
| 第5章 基于流形正则化的半监督降维 | 第90-106页 |
| ·引言 | 第90-91页 |
| ·半监督学习简介 | 第91-95页 |
| ·利用无标签样本帮助学习 | 第91-93页 |
| ·半监督学习原理 | 第93-94页 |
| ·半监督学习研究概况 | 第94-95页 |
| ·基于流形正则化的半监督学习 | 第95-100页 |
| ·线性回归(LR)及其正则化 | 第95-97页 |
| ·流形正则化与半监督学习 | 第97-98页 |
| ·针对多类问题的半监督学习算法MLapRLS | 第98-100页 |
| ·实验与分析 | 第100-105页 |
| ·Extended YaleB人脸数据集的实验结果 | 第101-103页 |
| ·PIE人脸数据集的实验结果 | 第103-105页 |
| ·本章小结 | 第105-106页 |
| 第6章 总结与展望 | 第106-108页 |
| ·工作总结 | 第106-107页 |
| ·今后工作展望 | 第107-108页 |
| 参考文献 | 第108-122页 |
| 致谢 | 第122-124页 |
| 博士期间发表的学术论文 | 第124页 |
