| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-15页 |
| ·引言 | 第7-8页 |
| ·高维数据 | 第7-8页 |
| ·高维数据的缺点 | 第8页 |
| ·降维与分类技术概要 | 第8-12页 |
| ·降维定义 | 第8-9页 |
| ·常见降维算法 | 第9-11页 |
| ·分类简介 | 第11页 |
| ·主要的分类方法 | 第11-12页 |
| ·噪声相关算法简介 | 第12-13页 |
| ·本文研究内容及结构 | 第13-15页 |
| ·研究内容及背景 | 第13页 |
| ·行文结构 | 第13-15页 |
| 第二章 抗噪的混合距离学习双指数模糊C 均值聚类算法 | 第15-31页 |
| ·引言 | 第15-16页 |
| ·混合距离的线性组合 | 第16-17页 |
| ·双指数模糊C 均值算法（DI-FCM） | 第17-18页 |
| ·混合距离学习DI-FCM(HDDI-FCM) | 第18-19页 |
| ·HDDI_FCM 的距离组合 | 第19-21页 |
| ·组合1 | 第19-20页 |
| ·组合2 | 第20页 |
| ·组合3 | 第20-21页 |
| ·混合距离的抗噪优势 | 第21页 |
| ·HDDI-FCM 的抗噪实验 | 第21-29页 |
| ·实验一HDDI-FCM 在简单数据集的抗噪性能 | 第21-22页 |
| ·实验二HDDI-FCM 和DI-FCM 在简单数据集上的抗噪性能 | 第22-27页 |
| ·实验三HDDI-FCM 和DI-FCM 在UCI 数据集上的抗噪性能 | 第27-29页 |
| ·HDDI-FCM 的NORM-L1 改造的可能性 | 第29页 |
| ·本章小结 | 第29-31页 |
| 第三章 抗噪的ESVM 算法在迁移学习中的应用 | 第31-45页 |
| ·引言 | 第31页 |
| ·迁移学习的介绍 | 第31-34页 |
| ·迁移学习的特点 | 第31-32页 |
| ·迁移学习研究综述 | 第32-34页 |
| ·SVM 的介绍 | 第34-37页 |
| ·线性支持向量机 | 第34-35页 |
| ·非线性支持向量机 | 第35-37页 |
| ·新标准 | 第37-38页 |
| ·ESVM | 第38页 |
| ·SVM 与ESVM 的实验对比 | 第38-43页 |
| ·实验一简单数据集上线性SVM 与ESVM | 第38-41页 |
| ·实验二简单数据集上非线性SVM 与ESVM | 第41-42页 |
| ·实验三Yalefaces 人脸数据集上SVM 与ESVM | 第42-43页 |
| ·实验小结 | 第43页 |
| ·本章小结 | 第43-45页 |
| 第四章 抗噪的NORM 准则在降维中的应用 | 第45-61页 |
| ·引言 | 第45页 |
| ·PCAL1 和LPP-L1 | 第45-52页 |
| ·PCA 和PCAL1 | 第45-50页 |
| ·LPP 与LPP-L1 | 第50-52页 |
| ·SLPP 和SLPP-L1 | 第52-54页 |
| ·SLPP-L1 抗噪的实验 | 第54-60页 |
| ·实验一LPP，SLPP 和SLPP-L1 简单数据集上表现 | 第54-56页 |
| ·实验二LPP, SLPP 和SLPP-L1 在UCI 数据集上表现 | 第56-59页 |
| ·实验三SLPP 和SLPP-L1 人脸识别数据集上的表现 | 第59-60页 |
| ·实验小结 | 第60页 |
| ·本章小结 | 第60-61页 |
| 第五章 结束语 | 第61-63页 |
| ·本文工作总结 | 第61-62页 |
| ·后续工作展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第68页 |
