基于数据场和云模型的维数约简方法研究
| 摘要 | 第8-10页 |
| Abstract | 第10-12页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 研究现状及面临的问题 | 第14-16页 |
| 1.3 论文的创新点 | 第16-17页 |
| 1.4 论文内容关联与组织结构 | 第17-21页 |
| 第二章 相关研究基础 | 第21-40页 |
| 2.1 特征提取 | 第21-26页 |
| 2.1.1 特征提取算法分类 | 第21-22页 |
| 2.1.2 线性特征提取算法 | 第22-24页 |
| 2.1.3 非线性特征提取算法 | 第24-26页 |
| 2.2 特征选择 | 第26-31页 |
| 2.2.1 特征选择方法分类 | 第26-29页 |
| 2.2.2 Filter特征选择算法 | 第29-30页 |
| 2.2.3 Wrapper特征选择算法 | 第30-31页 |
| 2.3 数据场与云模型 | 第31-39页 |
| 2.3.1 数据场 | 第31-33页 |
| 2.3.2 云模型 | 第33-37页 |
| 2.3.3 云发生器 | 第37-39页 |
| 2.4 本章小结 | 第39-40页 |
| 第三章 基于数据场各向异性的最大间隔特征提取 | 第40-56页 |
| 3.1 引言 | 第40页 |
| 3.2 KLMM算法 | 第40-48页 |
| 3.2.1 SVM中的最大间隔准则 | 第41-42页 |
| 3.2.2 超平面的建立 | 第42-43页 |
| 3.2.3 特征的各向异性 | 第43-47页 |
| 3.2.4 算法框架 | 第47-48页 |
| 3.3 实验与分析 | 第48-55页 |
| 3.4 本章小结 | 第55-56页 |
| 第四章 基于数据场势熵的特征重要性度量 | 第56-72页 |
| 4.1 引言 | 第56页 |
| 4.2 FRGDF算法 | 第56-61页 |
| 4.2.1 势函数的选择 | 第57-58页 |
| 4.2.2 基于势熵的特征重要性度量 | 第58-60页 |
| 4.2.3 重要特征子集的逐层搜索 | 第60-61页 |
| 4.2.4 算法框架 | 第61页 |
| 4.3 实验与分析 | 第61-71页 |
| 4.3.1 Iris特征子集的选取 | 第61-63页 |
| 4.3.2 teach特征子集的选取 | 第63-65页 |
| 4.3.3 独立性实验 | 第65-67页 |
| 4.3.4 对比试验 | 第67-71页 |
| 4.4 本章小结 | 第71-72页 |
| 第五章 基于数据场与互信息的特征子集选择 | 第72-90页 |
| 5.1 引言 | 第72-73页 |
| 5.2 DFMIFS算法 | 第73-77页 |
| 5.2.1 划分网格 | 第74页 |
| 5.2.2 势值估计 | 第74-75页 |
| 5.2.3 生成最优特征子集 | 第75-76页 |
| 5.2.4 算法框架 | 第76-77页 |
| 5.3 实验与分析 | 第77-89页 |
| 5.3.1 DFMIFS在UCI数据集上的实验 | 第77-84页 |
| 5.3.2 DFMIFS在人脸数据集上的实验 | 第84-89页 |
| 5.4 本章小结 | 第89-90页 |
| 第六章 基于合成云模型的特征提取 | 第90-107页 |
| 6.1 引言 | 第90-91页 |
| 6.2 FECCM算法 | 第91-94页 |
| 6.2.1 底层特征提取 | 第91-92页 |
| 6.2.2 高层特征提取 | 第92-93页 |
| 6.2.3 算法框架 | 第93-94页 |
| 6.3 实验与分析 | 第94-106页 |
| 6.3.1 边缘特征提取 | 第94-101页 |
| 6.3.2 人脸年龄特征提取 | 第101-106页 |
| 6.4 本章小结 | 第106-107页 |
| 第七章 总结与展望 | 第107-111页 |
| 7.1 总结 | 第107-109页 |
| 7.2 展望 | 第109-111页 |
| 参考文献 | 第111-119页 |
| 攻读博士学位期间发表的科研成果目录 | 第119-120页 |
| 致谢 | 第120页 |
