| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 降维方法的研究现状 | 第11-15页 |
| 1.2.1 特征选择 | 第11-14页 |
| 1.2.2 特征提取 | 第14-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 本文主要结构 | 第16-18页 |
| 第2章 子空间学习方法 | 第18-32页 |
| 2.1 全局子空间学习方法 | 第18-27页 |
| 2.1.1 主成分分析(PCA) | 第18-22页 |
| 2.1.2 Karhunen-Loeve变换(K-L变换) | 第22-23页 |
| 2.1.3 Fisher线性判别分析(LDA) | 第23-25页 |
| 2.1.4 多维尺度法(MDS) | 第25-26页 |
| 2.1.5 等容特征映射(IsoMap) | 第26-27页 |
| 2.2 局部子空间学习方法 | 第27-31页 |
| 2.2.1 聚类主成分分析(Cluster wise PCA) | 第27-28页 |
| 2.2.2 递归主成分分析(Recursive PCA) | 第28-29页 |
| 2.2.3 局部线性内嵌(LLE) | 第29-30页 |
| 2.2.4 局部保持投影(LLP) | 第30-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 基于线性子空间逼近的统一线性降维算法 | 第32-39页 |
| 3.1 目标函数构造 | 第32-33页 |
| 3.2 算法描述 | 第33-36页 |
| 3.2.1 构造投影子空间算法描述 | 第33-34页 |
| 3.2.2 计算样本间相似性算法描述 | 第34-36页 |
| 3.3 性能分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 实验结果分析 | 第39-50页 |
| 4.1 算法评价标准 | 第39-42页 |
| 4.1.1 识别率实验 | 第39-41页 |
| 4.1.2 重构误差实验 | 第41-42页 |
| 4.2 实验结果分析 | 第42-49页 |
| 4.2.1 人脸识别实验 | 第42-46页 |
| 4.2.2 人脸重构实验 | 第46-49页 |
| 4.3 本章小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士学位期间所发表的学术论文 | 第55-56页 |
| 致谢 | 第56页 |
