| 摘要 | 第1-8页 |
| ABSTRACT | 第8-13页 |
| 插图目录 | 第13-15页 |
| 表格目录 | 第15-16页 |
| 第1章 绪论 | 第16-37页 |
| ·流形学习的研究背景和现状 | 第16-20页 |
| ·流形学习方法的应用 | 第20-23页 |
| ·流形的有关数学定义 | 第23-24页 |
| ·几种代表性的流形学习算法 | 第24-34页 |
| ·等度规映射方法(ISOMAP) | 第24-25页 |
| ·局部线性嵌入(LLE) | 第25-26页 |
| ·拉普拉斯特征谱(LE) | 第26-29页 |
| ·拉普拉斯Beltrami算子 | 第26-28页 |
| ·拉普拉斯特征映射 | 第28-29页 |
| ·Hessian特征映射(HE) | 第29-30页 |
| ·局部切空间排列(LTSA) | 第30-32页 |
| ·最大差投影(MVU) | 第32-33页 |
| ·Riemann流形学习(RML) | 第33-34页 |
| ·本文的内容安排 | 第34-35页 |
| ·本文的主要创新点 | 第35-37页 |
| 第2章 面向分类的流形学习面临的问题 | 第37-50页 |
| ·本征维数估计 | 第37-41页 |
| ·本征维数 | 第37-38页 |
| ·本征维数估计方法 | 第38-41页 |
| ·噪声流形学习 | 第41-42页 |
| ·样本外点(Out-of-Sample)学习 | 第42-45页 |
| ·流形学习的线性化 | 第43页 |
| ·流形学习的核化 | 第43-44页 |
| ·流形学习的张量化 | 第44-45页 |
| ·监督(半监督)流形学习 | 第45页 |
| ·近邻点的选择 | 第45-47页 |
| ·常用的距离测度 | 第45-46页 |
| ·近邻参数的选择 | 第46-47页 |
| ·小样本(Small Sample Size,SSS)问题 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第3章 基于鲁棒主分量分析的噪声流形学习 | 第50-63页 |
| ·噪声对流形学习的影响 | 第50-53页 |
| ·噪声类型 | 第50-51页 |
| ·噪声对流形学习算法的影响 | 第51-53页 |
| ·流形学习中的噪声处理方案 | 第53页 |
| ·基于去噪预处理的噪声流形学习算法 | 第53-58页 |
| ·局部主分量分析 | 第54-55页 |
| ·鲁棒主分量分析 | 第55-56页 |
| ·Box统计分析 | 第56-58页 |
| ·数据去噪处理算法 | 第58页 |
| ·实验 | 第58-62页 |
| ·噪声S曲面数据 | 第58-61页 |
| ·噪声Swiss Roll数据 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第4章 基于局部线性判别嵌入的特征提取方法 | 第63-91页 |
| ·引言 | 第63-67页 |
| ·局部线性嵌入 | 第67-71页 |
| ·局部线性判别嵌入 | 第71-77页 |
| ·LLDE算法的目标 | 第71-74页 |
| ·LLDE算法 | 第74-77页 |
| ·实验结果 | 第77-88页 |
| ·YALE人脸数据 | 第78-81页 |
| ·CMU PIE人脸数据 | 第81-83页 |
| ·基因微阵列数据 | 第83-88页 |
| ·讨论 | 第88-90页 |
| ·本章小结 | 第90-91页 |
| 第5章 基于约束最大差异投影的特征提取方法 | 第91-114页 |
| ·引言 | 第91-95页 |
| ·最大差异伸展 | 第95-101页 |
| ·约束条件 | 第97-98页 |
| ·目标函数 | 第98-100页 |
| ·谱分解 | 第100-101页 |
| ·约束最大差异投影 | 第101-106页 |
| ·局域 | 第101-102页 |
| ·子流形的差异 | 第102页 |
| ·CMVM算法的目的与特点 | 第102-103页 |
| ·线性特征提取 | 第103-104页 |
| ·核扩展 | 第104-105页 |
| ·张量扩展 | 第105-106页 |
| ·CMVM算法 | 第106页 |
| ·实验 | 第106-111页 |
| ·FERET人脸数据 | 第107-109页 |
| ·CMU PIE人脸数据 | 第109-110页 |
| ·USPS手写体数据 | 第110-111页 |
| ·讨论 | 第111-113页 |
| ·本章小结 | 第113-114页 |
| 第6章 基于广义Fisher的线性特征提取的框架 | 第114-138页 |
| ·引言 | 第114-117页 |
| ·流形学习相关框架 | 第117-122页 |
| ·流形学习的共同框架 | 第117-119页 |
| ·基于图嵌入的统一框架 | 第119-122页 |
| ·广义Fisher框架算法 | 第122-128页 |
| ·LDA和UDP的投影坐标系 | 第122-123页 |
| ·局部结构矩阵和全局矩阵 | 第123-124页 |
| ·相似散度 | 第124-125页 |
| ·相异散度 | 第125页 |
| ·线性特征提取 | 第125-127页 |
| ·非线性特征提取 | 第127-128页 |
| ·LDA、PCA、ISOMAP、LLE、LPP、UDP、MVU和GFF关系 | 第128-133页 |
| ·PCA和GFF | 第128-129页 |
| ·LDA和GFF | 第129页 |
| ·UDP和GFF | 第129页 |
| ·LPP和GFF | 第129-130页 |
| ·ISOMAP和GFF | 第130-131页 |
| ·LLE和GFF | 第131-132页 |
| ·MVU和GFF | 第132页 |
| ·GFF和CMVM | 第132-133页 |
| ·实验 | 第133-137页 |
| ·掌纹数据 | 第133-136页 |
| ·ORL人脸数据 | 第136-137页 |
| ·本章小结 | 第137-138页 |
| 总结与展望 | 第138-141页 |
| 本文的主要工作与创新点 | 第138-139页 |
| 进一步的工作展望 | 第139-141页 |
| 参考文献 | 第141-154页 |
| 在读期间发表的学术论文与科研项目 | 第154-156页 |
| 致谢 | 第156页 |