| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究现状 | 第12-16页 |
| 1.2.1 线性流形中的数据降维方法 | 第13-14页 |
| 1.2.2 非线性流形中的数据降维方法 | 第14-16页 |
| 1.3 本文的主要工作 | 第16页 |
| 1.4 本文的组织结构 | 第16-18页 |
| 第二章 相关理论和技术 | 第18-36页 |
| 2.1 SNE算法 | 第18-26页 |
| 2.1.1 SNE算法概述 | 第18-20页 |
| 2.1.2 梯度下降算法 | 第20-23页 |
| 2.1.3 KL散度 | 第23-24页 |
| 2.1.4 利用梯度下降对SNE进行最优化求解 | 第24-26页 |
| 2.2 对称SNE算法 | 第26-27页 |
| 2.3 聚集问题 | 第27-29页 |
| 2.4 UNI-SNE算法 | 第29-30页 |
| 2.5 T-SNE算法 | 第30-35页 |
| 2.5.1 UNI-SNE算法的问题 | 第30页 |
| 2.5.2 基于t分布的t-SNE算法 | 第30-34页 |
| 2.5.3 T-SNE算法过程 | 第34-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 针对超球面数据的降维与可视化研究 | 第36-61页 |
| 3.1 T-SNE算法的问题 | 第36-40页 |
| 3.1.1 基于DNN声学模型的语音识别实验 | 第36-38页 |
| 3.1.2 从实验结果分析t-SNE算法的问题 | 第38-40页 |
| 3.2 VMF分布 | 第40-41页 |
| 3.3 VMF-SNE算法 | 第41-48页 |
| 3.3.1 VMF-SNE算法理论公式 | 第41-43页 |
| 3.3.2 VMF-SNE算法实际操作的一些事项 | 第43-47页 |
| 3.3.3 VMF-SNE算法执行过程 | 第47-48页 |
| 3.4 VMF-SNE算法和t-SNE算法的实验对比 | 第48-59页 |
| 3.4.1 模拟数据 | 第48-49页 |
| 3.4.2 可视化实验 | 第49-50页 |
| 3.4.3 基于熵和准确率的定量化实验 | 第50-59页 |
| 3.5 本章小结 | 第59-61页 |
| 第四章 针对超平面数据的降维可视化研究 | 第61-71页 |
| 4.1 Dirichlet分布 | 第61-62页 |
| 4.2 Dirichlet-SNE算法 | 第62-63页 |
| 4.3 Dirichlet-SNE算法与t-SNE算法的对比实验 | 第63-70页 |
| 4.3.1 模拟数据 | 第64页 |
| 4.3.2 可视化实验 | 第64-65页 |
| 4.3.3 基于熵和准确率的定量化实验 | 第65-70页 |
| 4.4 本章总结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 论文的工作总结 | 第71-72页 |
| 5.2 未来的工作展望 | 第72-73页 |
| 参考文献 | 第73-75页 |
| 致谢 | 第75-76页 |
| 攻读学位期间发表或录用的学术论文 | 第76页 |