流形学习数据降维方法的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及其意义 | 第8-9页 |
| 1.2 流形、流形学习及其国内外研究现状 | 第9-12页 |
| 1.2.1 流形的定义 | 第9-10页 |
| 1.2.2 流形学习的介绍 | 第10-11页 |
| 1.2.3 国内外研究现状 | 第11-12页 |
| 1.3 论文内容 | 第12页 |
| 1.4 论文结构 | 第12-14页 |
| 第2章 数据降维方法的比较与分析 | 第14-24页 |
| 2.1 线性降维方法 | 第14-17页 |
| 2.1.1 主成分分析法(PCA) | 第14-16页 |
| 2.1.2 多维尺度分析(MDS) | 第16-17页 |
| 2.2 非线性降维方法 | 第17-21页 |
| 2.2.1 等距映射(Isomap) | 第17页 |
| 2.2.2 局部线性嵌入(LLE) | 第17-19页 |
| 2.2.3 核主成分分析法(KPCA) | 第19-20页 |
| 2.2.4 拉普拉斯特征映射法(LE) | 第20-21页 |
| 2.2.5 局部切空间排列(LTSA) | 第21页 |
| 2.3 算法的可行性分析与比较 | 第21-24页 |
| 第3章 改进的扩散映射算法及其应用 | 第24-38页 |
| 3.1 引言 | 第24页 |
| 3.2 扩散映射算法 | 第24-27页 |
| 3.2.1 扩散映射算法的结构 | 第24-26页 |
| 3.2.2 扩散映射算法的过程 | 第26-27页 |
| 3.3 改进的数据降维方法 | 第27-32页 |
| 3.3.1 基于距离改进的扩散映射算法 | 第28-30页 |
| 3.3.2 数据实验 | 第30-32页 |
| 3.3.2.1 人造数据集 | 第30-32页 |
| 3.3.2.2 UCI数据集 | 第32页 |
| 3.4 一种基于密度的扩散映射改进算法 | 第32-38页 |
| 3.4.1 基于密度的扩散映射算法的介绍 | 第32-34页 |
| 3.4.2 实验 | 第34-38页 |
| 3.4.2.1 人造数据集 | 第34-35页 |
| 3.4.2.2 在人耳识别方面的应用 | 第35-38页 |
| 结论 | 第38-40页 |
| 参考文献 | 第40-44页 |
| 致谢 | 第44页 |
