| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 降维的背景 | 第9-11页 |
| 1.2 降维问题的定义 | 第11-12页 |
| 1.3 维数灾难 | 第12-13页 |
| 1.4 降维问题的分类 | 第13页 |
| 1.5 降维方法的发展史 | 第13-16页 |
| 1.5.1 线性降维方法 | 第13-15页 |
| 1.5.2 非线性降维方法 | 第15-16页 |
| 1.6 本文研究内容与结构安排 | 第16-17页 |
| 第二章 降维方法 | 第17-28页 |
| 2.1 主成分分析方法 | 第17-20页 |
| 2.2 线性判别分析 | 第20-22页 |
| 2.3 局部保持投影 | 第22-25页 |
| 2.4 图嵌入框架 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 基于二范数规则化最小二乘鉴别投影的特征提取方法 | 第28-40页 |
| 3.1 稀疏编码理论概述 | 第28-32页 |
| 3.1.1 稀疏编码理论 | 第29-30页 |
| 3.1.2 匹配追踪算法 | 第30页 |
| 3.1.3 正交匹配追踪算法 | 第30-32页 |
| 3.1.4 基追踪方法 | 第32页 |
| 3.2 稀疏性保持映射 | 第32-34页 |
| 3.3 一种基于正则化最小二乘法的图嵌入框架 | 第34-35页 |
| 3.4 基于正则化最小二乘的鉴别映射 | 第35-36页 |
| 3.5 实验及结果 | 第36-39页 |
| 3.5.1 数据集介绍 | 第36-37页 |
| 3.5.2 实验结果 | 第37-38页 |
| 3.5.3 分析总结 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 基于偏最小二乘的降维描述子分类方法 | 第40-47页 |
| 4.1 引言 | 第40页 |
| 4.2 基于偏最小二乘的降维描述子分类方法 | 第40-44页 |
| 4.2.1 兴趣点检测算子 | 第40-41页 |
| 4.2.2 扩展HOG特征 | 第41-42页 |
| 4.2.3 PLS下的维数约减 | 第42页 |
| 4.2.4 多类支持向量机下的特征分配 | 第42-44页 |
| 4.3 实验及结果 | 第44-46页 |
| 4.3.1 面部表情数据集(Facial Expression Dataset) | 第44页 |
| 4.3.2 KTH数据集(KTH Dataset) | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 总结 | 第47-48页 |
| 5.2 展望 | 第48-49页 |
| 致谢 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 作者简介 | 第57页 |
