| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 目录 | 第10-13页 |
| 图清单 | 第13-15页 |
| 表清单 | 第15-16页 |
| 主要符号表 | 第16-17页 |
| 第一章 绪论 | 第17-25页 |
| 1.1 课题背景及意义 | 第17-19页 |
| 1.2 研究现状 | 第19-20页 |
| 1.3 面临的挑战 | 第20-21页 |
| 1.4 本文的研究内容，目标及创新点 | 第21-23页 |
| 1.5 本文的内容安排 | 第23-25页 |
| 第二章 流形以及基于图的半监督学习概述 | 第25-36页 |
| 2.1 引言 | 第25-26页 |
| 2.2 降维技术 | 第26-29页 |
| 2.2.1 流形学习算法研究 | 第26-29页 |
| 2.3 半监督学习 | 第29-35页 |
| 2.3.1 半监督学习假设 | 第30页 |
| 2.3.2 半监督分类 | 第30-31页 |
| 2.3.3 半监督聚类 | 第31-32页 |
| 2.3.4 半监督降维 | 第32-33页 |
| 2.3.5 图的构建策略 | 第33-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于局部估计误差的半监督维数约减算法 | 第36-48页 |
| 3.1 引言 | 第36-38页 |
| 3.2 算法基础 | 第38-41页 |
| 3.2.1 PCA 算法 | 第38-39页 |
| 3.2.2 LLP 算法 | 第39-40页 |
| 3.2.3 SSDR 算法 | 第40-41页 |
| 3.3 基于局部估计误差的半监督维数约减 | 第41-47页 |
| 3.3.1 问题描述 | 第41页 |
| 3.3.2 LEESSDR 目标函数 | 第41-43页 |
| 3.3.3 实验结果与分析 | 第43-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 随机子空间的局部和全局保持的半监督算法 | 第48-63页 |
| 4.1 引言 | 第48-49页 |
| 4.2 相关工作 | 第49-50页 |
| 4.2.1 NPSSDR | 第49页 |
| 4.2.2 随机子空间方法 | 第49-50页 |
| 4.3 随机子空间的局部和全局保持的半监督维数约减 | 第50-62页 |
| 4.3.1 基于随机子空间的多图的构造 | 第50-52页 |
| 4.3.2 RSLGSSDR 目标函数 | 第52页 |
| 4.3.3 RSLGSSDR 算法的图嵌入解释 | 第52-53页 |
| 4.3.4 实验结果与分析 | 第53-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 用于癌症分类的随机子空间半监督维数约减 | 第63-81页 |
| 5.1 引言 | 第63-64页 |
| 5.2 相关工作 | 第64-68页 |
| 5.2.1 生物信息学 | 第64页 |
| 5.2.2 微阵列数据的特点 | 第64-65页 |
| 5.2.3 微阵列技术的应用 | 第65-66页 |
| 5.2.4 集成学习 | 第66-67页 |
| 5.2.5 局部线性嵌入算法 | 第67-68页 |
| 5.3 随机子空间的半监督维数约减 | 第68-80页 |
| 5.3.1 RSSSDR 目标函数 | 第69-71页 |
| 5.3.2 实验结果与分析 | 第71-80页 |
| 5.4 本章小结 | 第80-81页 |
| 第六章 基于认知规律的半监督维数约减算法 | 第81-107页 |
| 6.1 引言 | 第81-82页 |
| 6.2 认知规律 | 第82-87页 |
| 6.2.1 认知规律的不确定性 | 第84-85页 |
| 6.2.2 相对变换 | 第85-87页 |
| 6.3 基于认知规律的半监督维数约减 | 第87-106页 |
| 6.3.0 问题描述 | 第87-88页 |
| 6.3.1 相对空间下的局部重构误差 | 第88-89页 |
| 6.3.2 RSSDR 目标函数 | 第89页 |
| 6.3.3 实验结果与分析 | 第89-106页 |
| 6.4 本章小结 | 第106-107页 |
| 总结与展望 | 第107-110页 |
| 参考文献 | 第110-121页 |
| 攻读博士学位期间取得的研究成果 | 第121-123页 |
| 致谢 | 第123-127页 |
| 答辩委员会对论文的评定意见 | 第127页 |