| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 降维问题的提出 | 第7-8页 |
| 1.2 降维的定义 | 第8-9页 |
| 1.3 维数灾难 | 第9页 |
| 1.4 样本的本征维 | 第9-10页 |
| 1.5 降维问题的应用 | 第10-11页 |
| 第二章 降维方法概述 | 第11-20页 |
| 2.1 线性降维 | 第11-12页 |
| 2.1.1 PCA | 第11-12页 |
| 2.1.2 Projection Pursuit | 第12页 |
| 2.2 非线性降维 | 第12-20页 |
| 2.2.1 MDS | 第12-13页 |
| 2.2.2 Isomap | 第13-14页 |
| 2.2.3 Kernel PCA | 第14-15页 |
| 2.2.4 LLE | 第15-16页 |
| 2.2.5 Laplacian Eigenmaps | 第16-17页 |
| 2.2.6 Hessian LLE | 第17页 |
| 2.2.7 SNE | 第17-18页 |
| 2.2.8 Autoencoder | 第18-20页 |
| 第三章 人工神经网络 | 第20-34页 |
| 3.1 人工神经网络 | 第20-23页 |
| 3.1.1 人工神经网络发展简史 | 第20页 |
| 3.1.2 人工神经元的模型 | 第20-22页 |
| 3.1.3 神经网络的结构 | 第22页 |
| 3.1.4 神经网络的学习方法 | 第22-23页 |
| 3.1.5 人工神经网络的特性 | 第23页 |
| 3.2 深度学习 | 第23-24页 |
| 3.3 Autoencoder | 第24-34页 |
| 3.3.1 Sparse Autoencoder | 第24-28页 |
| 3.3.2 Unfolded Autoencoder | 第28-30页 |
| 3.3.3 Folded Autoencoder | 第30-34页 |
| 第四章 Autoencoder的结构优化 | 第34-40页 |
| 4.1 结构优化算法 | 第34-37页 |
| 4.2 结果分析 | 第37-40页 |
| 第五章 总结及展望 | 第40-41页 |
| 参考文献 | 第41-45页 |
| 在学期间的研究成果 | 第45-46页 |
| 致谢 | 第46页 |