基于特征学习的高维数据处理与预测
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及分析 | 第11-12页 |
| 1.2.1 降维研究现状 | 第11-12页 |
| 1.2.2 高维若干分类问题及算法研究 | 第12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-14页 |
| 第2章 高维数据分析中的特征学习方法 | 第14-24页 |
| 2.1 引言-高维数据的挑战 | 第14页 |
| 2.2 特征降维相关概念 | 第14-19页 |
| 2.2.1 特征抽取 | 第15-16页 |
| 2.2.2 特征选择 | 第16-19页 |
| 2.2.3 降维策略 | 第19页 |
| 2.3 降维模型 | 第19-21页 |
| 2.3.1 过滤模型 | 第19-20页 |
| 2.3.2 包裹模型 | 第20-21页 |
| 2.4 特征评价标准 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 基于稀疏学习的特征选择方法研究 | 第24-36页 |
| 3.1 引言 | 第24-25页 |
| 3.2 图像稀疏表示理论 | 第25-27页 |
| 3.3 基于稀疏表示理论的高光谱遥感图像分类 | 第27-31页 |
| 3.3.1 高光谱分类技术的发展及现状 | 第27页 |
| 3.3.2 高光谱图像分类方法 | 第27-28页 |
| 3.3.3 高光谱图像稀疏特征提取 | 第28-29页 |
| 3.3.4 高光谱图像两步法分类 | 第29-31页 |
| 3.4 实验结果 | 第31-34页 |
| 3.4.1 实验数据 | 第31-32页 |
| 3.4.2 模型参数的选择 | 第32-33页 |
| 3.4.3 实验结果分析 | 第33-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第4章 高维数据分析卷积神经网络方法研究 | 第36-48页 |
| 4.1 引言 | 第36-37页 |
| 4.2 卷积神经网络 | 第37-40页 |
| 4.2.1 多层感知器 | 第37-38页 |
| 4.2.2 卷积神经网络 | 第38-40页 |
| 4.3 CNN在脑电信号上的应用 | 第40-45页 |
| 4.3.1 脑电信号 | 第40-42页 |
| 4.3.2 脑电波信号特征提取 | 第42-43页 |
| 4.3.3 实验结果与分析 | 第43-45页 |
| 4.4 本章小结 | 第45-48页 |
| 第5章 总结与展望 | 第48-52页 |
| 5.1 工作总结 | 第48-49页 |
| 5.2 工作展望 | 第49-52页 |
| 参考文献 | 第52-58页 |
| 致谢 | 第58-60页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第60页 |
