| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| TABLE OF CONTENTS | 第13-16页 |
| 图目录 | 第16-18页 |
| 表目录 | 第18-20页 |
| 主要符号表 | 第20-21页 |
| 1 绪论 | 第21-37页 |
| 1.1 问题提出与研究意义 | 第21-22页 |
| 1.2 国内外相关研究进展 | 第22-34页 |
| 1.2.1 流形学习 | 第22-25页 |
| 1.2.2 监督的维数约简 | 第25-28页 |
| 1.2.3 极端学习机分类 | 第28-30页 |
| 1.2.4 数据流学习 | 第30-34页 |
| 1.2.5 余弦度量 | 第34页 |
| 1.3 本文主要研究思路与内容 | 第34-35页 |
| 1.4 本文的组织结构 | 第35-37页 |
| 2 余弦局部空间排列降维方法 | 第37-58页 |
| 2.1 引言 | 第37-39页 |
| 2.2 AOGE算法及类曲率指标 | 第39-41页 |
| 2.2.1 AOGE算法 | 第39-40页 |
| 2.2.2 类曲率指标 | 第40-41页 |
| 2.3 局部空间及坐标排列 | 第41-43页 |
| 2.3.1 局部坐标及曲率 | 第41-42页 |
| 2.3.2 局部坐标排列 | 第42-43页 |
| 2.4 LMDSA理论分析及算法 | 第43-44页 |
| 2.4.1 LMDSA理论分析 | 第43-44页 |
| 2.4.2 LMDSA算法 | 第44页 |
| 2.5 序列弯曲的空间排列流形学习算法(SWSA) | 第44-51页 |
| 2.5.1 序列局部弯曲 | 第45-46页 |
| 2.5.2 自底向上的分段线性近似算法 | 第46-48页 |
| 2.5.3 SWSA算法 | 第48-49页 |
| 2.5.4 一种新的人体运动时间序列分割框架 | 第49-51页 |
| 2.6 实验结果与分析 | 第51-56页 |
| 2.6.1 手工流形实验 | 第51-52页 |
| 2.6.2 Frey人脸实验 | 第52-53页 |
| 2.6.3 Isomap人脸实验 | 第53-54页 |
| 2.6.4 LMDSA实验分析 | 第54页 |
| 2.6.5 人体运动时间序列实验 | 第54-56页 |
| 2.7 本章小结 | 第56-58页 |
| 3 余弦最大相似嵌入 | 第58-79页 |
| 3.1 引言 | 第58-59页 |
| 3.2 PCA和CM介绍 | 第59-61页 |
| 3.2.1 PCA算法 | 第59页 |
| 3.2.2 CM算法 | 第59-60页 |
| 3.2.3 PCA与CM算法的比较 | 第60-61页 |
| 3.3 MSE优化问题 | 第61-65页 |
| 3.3.1 CM的等价变形 | 第61-62页 |
| 3.3.2 MSE低维子空间 | 第62-65页 |
| 3.4 MSE理论分析及算法 | 第65-68页 |
| 3.4.1 MSE的可计算性 | 第65-67页 |
| 3.4.2 MSE优化模型 | 第67页 |
| 3.4.3 MSE算法 | 第67-68页 |
| 3.5 实验结果及分析 | 第68-77页 |
| 3.5.1 手工流形实验 | 第68-70页 |
| 3.5.2 Frey人脸表情的无监督学习 | 第70-73页 |
| 3.5.3 AR人脸识别 | 第73-74页 |
| 3.5.4 Coil-20识别实验 | 第74-76页 |
| 3.5.5 图像检索 | 第76-77页 |
| 3.6 本章小结 | 第77-79页 |
| 4 余弦离散度平衡的监督降维 | 第79-106页 |
| 4.1 引言 | 第79-80页 |
| 4.2 LDA和MMC | 第80-84页 |
| 4.2.1 LDA及MMC优化模型 | 第80-81页 |
| 4.2.2 子空间选择 | 第81-84页 |
| 4.3 子空间选择的新方法 | 第84-88页 |
| 4.3.1 离散度分析 | 第85页 |
| 4.3.2 鲁棒的子空间选择方法 | 第85-88页 |
| 4.4 理论分析 | 第88-90页 |
| 4.5 一种新的概念漂移数据流学习框架 | 第90-92页 |
| 4.5.1 ARLDA降维方法 | 第90-91页 |
| 4.5.2 数据流学习框架 | 第91-92页 |
| 4.6 实验结果及分析 | 第92-105页 |
| 4.6.1 手工数据集 | 第92-94页 |
| 4.6.2 UCI数据集 | 第94-97页 |
| 4.6.3 图像分类 | 第97-101页 |
| 4.6.4 基于ARLDA的数据流实验 | 第101-105页 |
| 4.7 本章小结 | 第105-106页 |
| 5 余弦极端学习机分类 | 第106-129页 |
| 5.1 引言 | 第106-107页 |
| 5.2 ELM算法 | 第107-109页 |
| 5.3 一种新的激活函数 | 第109-112页 |
| 5.4 构图 | 第112-113页 |
| 5.5 拓展的半监督ELM | 第113-116页 |
| 5.6 半监督的核ELM | 第116页 |
| 5.7 实验结果及分析 | 第116-128页 |
| 5.7.1 ESELM实验 | 第116-121页 |
| 5.7.2 SK-ELM实验 | 第121-128页 |
| 5.8 本章小结 | 第128-129页 |
| 6 结论及展望 | 第129-132页 |
| 6.1 结论 | 第129-130页 |
| 6.2 创新点摘要 | 第130-131页 |
| 6.3 展望 | 第131-132页 |
| 参考文献 | 第132-142页 |
| 攻读博士学位期间科研项目及科研成果 | 第142-144页 |
| 致谢 | 第144-145页 |
| 作者简介 | 第145页 |