| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 绪论 | 第11-17页 |
| ·课题研究背景 | 第11-14页 |
| ·特征降维方法 | 第11-12页 |
| ·模式分类方法 | 第12-13页 |
| ·核 | 第13-14页 |
| ·特征降维和模式分类面临的几个挑战 | 第14-15页 |
| ·课题主要内容、特色和创新 | 第15-17页 |
| 第二章 基于线性判别分析算法的特征降维方法研究 | 第17-45页 |
| ·引言 | 第17页 |
| ·线性判别分析算法及其面临的两大问题 | 第17-18页 |
| ·线性判别分析算法 | 第17-18页 |
| ·秩限制问题 | 第18页 |
| ·小样本问题 | 第18页 |
| ·基于多阶矩阵组合的线性判别分析算法 MLDA | 第18-24页 |
| ·算法描述 | 第18-19页 |
| ·实验结果及分析 | 第19-24页 |
| ·标量化的线性判别分析算法 SLDA | 第24-31页 |
| ·提出 SLDA 的意义 | 第24-25页 |
| ·算法描述 | 第25-26页 |
| ·实验结果及分析 | 第26-31页 |
| ·基于矩阵指数的线性判别分析算法 MELDA | 第31-36页 |
| ·算法描述 | 第31-32页 |
| ·实验结果及分析 | 第32-36页 |
| ·FKA 算法迭代收敛性分析 | 第36-42页 |
| ·引言 | 第36页 |
| ·FKC 准则及迭代分析算法 FKA | 第36-38页 |
| ·FKA 算法迭代收敛性分析 | 第38-42页 |
| ·推广性结论 | 第42页 |
| ·结语 | 第42-45页 |
| 第三章 特征提取新视角：基于 Parzen 窗估计的方法 | 第45-61页 |
| ·引言 | 第45页 |
| ·Parzen 窗 | 第45-46页 |
| ·Parzen 窗与 LPP | 第46-49页 |
| ·LPP | 第46-47页 |
| ·Parzen 窗与 LPP 的关系 | 第47-49页 |
| ·Parzen 窗与 LDA 和 PCA | 第49-54页 |
| ·LDA | 第49-51页 |
| ·Parzen 窗与 LDA 的关系 | 第51-52页 |
| ·PCA | 第52-54页 |
| ·Parzen 窗与 PCA 的关系 | 第54页 |
| ·实验分析 | 第54-60页 |
| ·人工数据集 | 第55-56页 |
| ·人脸数据集 | 第56-60页 |
| ·推广性结论 | 第60页 |
| ·结语 | 第60-61页 |
| 第四章 基于光束角思想的最大间隔学习机 | 第61-77页 |
| ·引言 | 第61页 |
| ·背景知识 | 第61-63页 |
| ·光束角 | 第61-62页 |
| ·相关算法 | 第62-63页 |
| ·基于光束角思想的最大间隔学习机 | 第63-66页 |
| ·BAMLM 与光束角的关系 | 第63-64页 |
| ·线性形式 | 第64-65页 |
| ·对偶形式 | 第65页 |
| ·核化形式 | 第65页 |
| ·间隔ρ的求解 | 第65-66页 |
| ·决策函数 | 第66页 |
| ·CCMEB 及 BACVM | 第66-67页 |
| ·CCMEB | 第66-67页 |
| ·BAMLM 与 CCMEB 关系 | 第67页 |
| ·BACVM | 第67页 |
| ·实验分析 | 第67-75页 |
| ·实验参数分析 | 第68-69页 |
| ·中小规模数据集 | 第69-73页 |
| ·中大规模数据集 | 第73-75页 |
| ·结语 | 第75-77页 |
| 第五章 基于空间点的最大间隔模糊分类器 | 第77-87页 |
| ·引言 | 第77页 |
| ·模糊理论 | 第77-78页 |
| ·基于距离的隶属度函数 | 第77页 |
| ·基于紧密度的隶属度函数 | 第77-78页 |
| ·最大间隔模糊分类器 MFC | 第78-80页 |
| ·概述 | 第78页 |
| ·原始优化问题 | 第78-79页 |
| ·对偶问题 | 第79页 |
| ·核化问题 | 第79-80页 |
| ·类间夹角间隔ρ的求解 | 第80页 |
| ·决策函数 | 第80页 |
| ·理论分析 | 第80-81页 |
| ·可调参数 性质 | 第80-81页 |
| ·单类问题 | 第81页 |
| ·实验分析 | 第81-85页 |
| ·实验参数设置 | 第81-82页 |
| ·二类模式分类 | 第82-83页 |
| ·单类模式分类 | 第83-84页 |
| ·抗噪性实验 | 第84-85页 |
| ·结语 | 第85-87页 |
| 第六章 基于分类超平面的大规模数据学习机 | 第87-101页 |
| ·引言 | 第87-88页 |
| ·面向大规模数据的隐私保护学习机 | 第88-95页 |
| ·支持向量机及隐私泄露问题 | 第88-89页 |
| ·PPLM | 第89-91页 |
| ·实验分析 | 第91-95页 |
| ·基于分类超平面的非线性集成学习机 | 第95-99页 |
| ·算法描述 | 第95-96页 |
| ·数据集划分方法 | 第96页 |
| ·非线性集成方法 | 第96页 |
| ·实验分析 | 第96-99页 |
| ·结语 | 第99-101页 |
| 第七章 基于核密度估计与熵理论的最大间隔学习机 | 第101-111页 |
| ·引言 | 第101页 |
| ·核密度估计和熵理论 | 第101-102页 |
| ·核密度估计 | 第101-102页 |
| ·熵理论 | 第102页 |
| ·基于核密度估计与熵理论的最大间隔学习机 | 第102-104页 |
| ·分类目标函数 | 第102-103页 |
| ·决策函数 | 第103-104页 |
| ·理论分析 | 第104-105页 |
| ·先验系数λ的性质 | 第104-105页 |
| ·单类问题 | 第105页 |
| ·实验分析 | 第105-108页 |
| ·实验参数的设置 | 第105-106页 |
| ·人工数据集 | 第106-107页 |
| ·UCI 数据集 | 第107-108页 |
| ·结语 | 第108-111页 |
| 第八章 总结与展望 | 第111-113页 |
| ·本课题的主要贡献 | 第111-112页 |
| ·工作展望 | 第112-113页 |
| 致谢 | 第113-115页 |
| 参考文献 | 第115-123页 |
| 附录 | 第123页 |
| 附录 1：作者在攻读博士学位期间发表的论文列表 | 第123页 |
| 附录 2：攻读博士学位期间参与的科研项目列表 | 第123页 |