多源数据汇聚的多流形学习算法研究
| 中文摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 多源数据研究现状 | 第11-13页 |
| 1.2.2 多流形学习研究现状 | 第13-14页 |
| 1.3 问题提出及内容安排 | 第14-17页 |
| 第二章 相关基础知识 | 第17-27页 |
| 2.1 流形学习相关定义 | 第17-19页 |
| 2.2 流形学习经典算法 | 第19-25页 |
| 2.2.1 等距特征映射ISOMAP | 第20-21页 |
| 2.2.2 局部线性嵌入LLE | 第21-23页 |
| 2.2.3 拉普拉斯特征映射LE | 第23-25页 |
| 2.3 构造邻接矩阵 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于边界检测的多流形学习算法 | 第27-41页 |
| 3.1 问题背景 | 第27-28页 |
| 3.2 流形边界检测 | 第28-29页 |
| 3.3 基于边界检测的多流形学习算法 | 第29-35页 |
| 3.3.1 构建局部结构 | 第31-32页 |
| 3.3.2 子流形降维 | 第32页 |
| 3.3.3 特征点选取 | 第32-33页 |
| 3.3.4 全局坐标映射 | 第33-35页 |
| 3.3.5 复杂度分析 | 第35页 |
| 3.4 实验结果与分析 | 第35-40页 |
| 3.4.1 人工数据集 | 第35-37页 |
| 3.4.2 真实数据集 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 多源数据鲁棒谱多流形学习算法 | 第41-58页 |
| 4.1 问题背景 | 第41-42页 |
| 4.2 多源数据鲁棒谱多流形学习算法 | 第42-50页 |
| 4.2.1 谱聚类 | 第42-43页 |
| 4.2.2 构建相似度矩阵 | 第43-47页 |
| 4.2.3 构建降噪投影矩阵 | 第47-48页 |
| 4.2.4 复杂度分析 | 第48-50页 |
| 4.3 实验结果与分析 | 第50-56页 |
| 4.3.1 单源数据集 | 第50-54页 |
| 4.3.2 多源数据集 | 第54-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第五章 多源数据非负自适应多流形学习算法 | 第58-74页 |
| 5.1 问题背景 | 第58-59页 |
| 5.2 非负矩阵分解 | 第59-60页 |
| 5.3 多源数据非负自适应多流形学习算法 | 第60-67页 |
| 5.3.1 目标函数 | 第60-63页 |
| 5.3.2 优化求解 | 第63-67页 |
| 5.4 实验结果与分析 | 第67-73页 |
| 5.4.1 数据集 | 第67-68页 |
| 5.4.2 实验设计 | 第68-69页 |
| 5.4.3 结果分析 | 第69-73页 |
| 5.5 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-84页 |
| 攻读硕士学位期间主要的研究成果 | 第84-85页 |
| 科研情况 | 第84页 |
| 论文 | 第84-85页 |
| 附录 中英文名词对照 | 第85-86页 |
| 致谢 | 第86-87页 |
