| 摘要 | 第1页 |
| Abstract | 第5-6页 |
| 详细摘要 | 第6-8页 |
| Detailed Abstract | 第8-14页 |
| 1 绪论 | 第14-26页 |
| ·本文的研究背景及意义 | 第14-15页 |
| ·本文的研究背景 | 第14-15页 |
| ·本文的研究意义 | 第15页 |
| ·图像分类技术的研究现状 | 第15-20页 |
| ·基于主成分分析的图像降维方法 | 第16页 |
| ·基于线性鉴别分析的图像降维方法 | 第16-17页 |
| ·基于非负矩阵分解的图像降维方法 | 第17-18页 |
| ·基于流形学习的图像降维方法 | 第18-20页 |
| ·其他的图像降维方法 | 第20页 |
| ·目前存在的问题 | 第20-21页 |
| ·本文的主要研究内容和创新点 | 第21-22页 |
| ·本文的研究内容 | 第21-22页 |
| ·本文的创新点 | 第22页 |
| ·本文的组织结构 | 第22-24页 |
| ·小结 | 第24-26页 |
| 2 相关理论基础 | 第26-40页 |
| ·流形学习的理论基础 | 第26-29页 |
| ·半监督学习的理论基础 | 第29-32页 |
| ·张量分析的理论基础 | 第32-36页 |
| ·图像分类系统的框架结构 | 第36-38页 |
| ·小结 | 第38-40页 |
| 3 基于张量间隔 Fisher 分析的图像分类技术 | 第40-56页 |
| ·引言 | 第40-41页 |
| ·基于张量间隔 Fisher 分析的图像分类算法 | 第41-50页 |
| ·图像数据的Gabor特征提取 | 第41-43页 |
| ·张量间隔Fisher分析的计算 | 第43-46页 |
| ·高效支持向量机分类器的设计 | 第46-50页 |
| ·基于张量间隔 Fisher 分析的图像分类算法描述 | 第50-51页 |
| ·实验与分析 | 第51-54页 |
| ·实验的建立 | 第51-52页 |
| ·实验结果及分析 | 第52-54页 |
| ·小结 | 第54-56页 |
| 4 用于图像分类的张量半监督鉴别分析技术 | 第56-78页 |
| ·引言 | 第56-57页 |
| ·基于张量半监督鉴别分析的图像分类算法 | 第57-71页 |
| ·基于Shearlet变换的图像特征提取 | 第57-61页 |
| ·半监督鉴别分析的张量化扩展 | 第61-67页 |
| ·高效拉普拉斯最小平方分类器的设计 | 第67-71页 |
| ·基于张量半监督鉴别分析的图像分类算法描述 | 第71-72页 |
| ·实验及分析 | 第72-76页 |
| ·实验的建立 | 第72-73页 |
| ·实验结果及分析 | 第73-76页 |
| ·小结 | 第76-78页 |
| 5 基于张量生物启发式流形的图像分类技术 | 第78-100页 |
| ·引言 | 第78-79页 |
| ·基于张量生物启发式流形的图像分类算法 | 第79-92页 |
| ·图像数据的生物启发式特征提取 | 第79-80页 |
| ·张量局部鉴别分析的计算 | 第80-86页 |
| ·最小最大概率机分类器的优化设计 | 第86-92页 |
| ·基于张量生物启发式流形的图像分类算法描述 | 第92-93页 |
| ·实验与分析 | 第93-98页 |
| ·实验的建立 | 第93-95页 |
| ·实验结果与分析 | 第95-98页 |
| ·小结 | 第98-100页 |
| 6 全文总结及展望 | 第100-102页 |
| 参考文献 | 第102-108页 |
| 致谢 | 第108-110页 |
| 作者简介 | 第110页 |
| 在学期间发表的学术论文 | 第110页 |