| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-17页 |
| ·引言 | 第9页 |
| ·模式识别简介 | 第9-11页 |
| ·模式识别发展状况 | 第9-10页 |
| ·模式识别分类 | 第10页 |
| ·模式识别的应用 | 第10-11页 |
| ·智能降维技术 | 第11-12页 |
| ·智能降维技术简介 | 第11页 |
| ·降维方法的分类 | 第11-12页 |
| ·人脸识别原理及方法 | 第12-13页 |
| ·人脸技术简介 | 第12页 |
| ·人脸识别原理 | 第12-13页 |
| ·人脸识别技术的应用和发展趋势 | 第13页 |
| ·人脸数据库简介 | 第13-14页 |
| ·论文的主要内容和章节安排 | 第14-17页 |
| 第二章 降维方法概述 | 第17-29页 |
| ·引言 | 第17页 |
| ·常用的线性降维方法 | 第17-20页 |
| ·主成分分析（PCA） | 第17页 |
| ·线性判别分析（LDA） | 第17-20页 |
| ·常用的非线性降维方法 | 第20-23页 |
| ·多维尺度变换（MDS） | 第20页 |
| ·等距映射（Isomap） | 第20-21页 |
| ·拉普拉斯特征映射（LE） | 第21-22页 |
| ·局部线性嵌入（LLE） | 第22-23页 |
| ·LPP 和AHP 方法 | 第23-27页 |
| ·LPP 算法 | 第23-24页 |
| ·Kernel LPP 算法 | 第24-25页 |
| ·AHP 算法 | 第25-27页 |
| ·本章小结 | 第27-29页 |
| 第三章 对角矩阵指数优化的局部保持映射算法 | 第29-43页 |
| ·引言 | 第29页 |
| ·传统局部保持映射（LPP）算法 | 第29-30页 |
| ·LPP 算法原理 | 第29-30页 |
| ·LPP 算法对于点重要性灵活性考虑的不足之处 | 第30页 |
| ·改进的基于对角矩阵指数优化的局部保持映射算法 | 第30-31页 |
| ·LPP 目标函数的求解 | 第30-31页 |
| ·影响目标函数的因素 | 第31页 |
| ·改进的方向 | 第31页 |
| ·基于对角矩阵指数优化的局部保持映射算法求解步骤 | 第31页 |
| ·实验 | 第31-41页 |
| ·实验看改变m 是不是对降维有影响 | 第32-33页 |
| ·降维后的效果 | 第33-35页 |
| ·取适当的m 使得降维接近数据集的本征维数 | 第35-38页 |
| ·加入高斯白噪声，查看指数参数m 对噪声的敏感度 | 第38-41页 |
| ·本章小结 | 第41-43页 |
| 第四章 约束条件引入指数p 的局部保持映射算法 | 第43-53页 |
| ·引言 | 第43页 |
| ·LPP 算法目标函数及参数设定 | 第43页 |
| ·改进算法 | 第43-44页 |
| ·改进方向 | 第43-44页 |
| ·改进算法的求解步骤 | 第44页 |
| ·实验结果及分析 | 第44-51页 |
| ·指数参数p 对降维结果的影响 | 第44-45页 |
| ·应用到人脸识别的降维效果的研究 | 第45-48页 |
| ·对噪声的敏感度 | 第48-51页 |
| ·本章小结 | 第51-53页 |
| 第五章 对角矩阵加入指数参数的AHP 算法 | 第53-63页 |
| ·引言 | 第53页 |
| ·算法简介 | 第53-55页 |
| ·K-means 聚类算法 | 第53-54页 |
| ·AHP 算法 | 第54页 |
| ·RandIndex 指标 | 第54-55页 |
| ·算法改进 | 第55-56页 |
| ·FCM 聚类代替K-means 算法聚类 | 第55页 |
| ·对AHP 算法约束条件对角矩阵加入指数参数p，q | 第55-56页 |
| ·改进后的AHP 算法使用FCM 聚类 | 第56页 |
| ·实验 | 第56-62页 |
| ·ORL 数据库 | 第56-58页 |
| ·Yale 数据库 | 第58-60页 |
| ·加入高斯白噪声查看聚类效果 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| ·论文工作总结 | 第63页 |
| ·未来工作展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第70页 |