基于流形学习与子空间的降维方法研究与应用
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 引言 | 第8-11页 |
| ·研究问题与背景 | 第8页 |
| ·研究现状 | 第8-9页 |
| ·论文的主要内容 | 第9-10页 |
| ·论文的结构框架 | 第10-11页 |
| 第二章 数据降维方法概述 | 第11-18页 |
| ·降维定义及其分类 | 第11-13页 |
| ·降维的定义 | 第11-12页 |
| ·降维方法的分类 | 第12-13页 |
| ·线性降维方法 | 第13-15页 |
| ·主成分分析 | 第13-14页 |
| ·线性判别分析 | 第14-15页 |
| ·非线性降维方法 | 第15-17页 |
| ·基于神经网络的方法 | 第16页 |
| ·基于核的方法 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 第三章 流形学习 | 第18-26页 |
| ·相关概念 | 第18-19页 |
| ·流形 | 第18-19页 |
| ·嵌入 | 第19页 |
| ·流形学习 | 第19页 |
| ·流形学习综述 | 第19-21页 |
| ·LLE算法 | 第21-22页 |
| ·ISOMAP算法 | 第22-24页 |
| ·拉普拉斯特征映射 | 第24页 |
| ·非线性降维的统一框架 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第四章 基于流形学习与子空间的降维方法 | 第26-37页 |
| ·多模态生物特征识别简介 | 第26-27页 |
| ·基于流形与子空间的降维方法 | 第27-32页 |
| ·二维主成分分析 | 第28-30页 |
| ·类内度量矩阵建模 | 第30-31页 |
| ·类间度量矩阵建模 | 第31-32页 |
| ·低维子空间分类 | 第32页 |
| ·实验结果 | 第32-35页 |
| ·本章小结 | 第35-37页 |
| 第五章 总结与展望 | 第37-38页 |
| 参考文献 | 第38-41页 |
| 致谢 | 第41-42页 |
| 在学期间公开发表论文及著作情况 | 第42页 |
