| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-27页 |
| 1.1 研究的背景和意义 | 第17-18页 |
| 1.2 维数约简 | 第18-19页 |
| 1.2.1 维数约简的数学描述 | 第18页 |
| 1.2.2 维数约简方法分类 | 第18-19页 |
| 1.2.3 维数约简的研究进展 | 第19页 |
| 1.3 基于谱图理论的谱聚类算法 | 第19-21页 |
| 1.4 稀疏表示 | 第21-23页 |
| 1.4.1 稀疏表示模型 | 第22-23页 |
| 1.4.2 稀疏表示应用 | 第23页 |
| 1.5 面临的挑战 | 第23-24页 |
| 1.6 本文的主要工作及安排 | 第24-26页 |
| 1.7 本章小结 | 第26-27页 |
| 第二章 基于谱图理论的维数约简和谱聚类 | 第27-39页 |
| 2.1 引言 | 第27页 |
| 2.2 基本理论 | 第27-31页 |
| 2.2.1 图的构造方式 | 第27-29页 |
| 2.2.2 图的划分准则 | 第29-30页 |
| 2.2.3 拉普拉斯矩阵 | 第30-31页 |
| 2.3 谱图分割理论 | 第31-33页 |
| 2.3.1 2-way划分 | 第31-33页 |
| 2.3.2 k-way划分 | 第33页 |
| 2.4 基于谱图理论的维数约简方法 | 第33-35页 |
| 2.4.1 局部线性嵌入算法(LLE) | 第33-34页 |
| 2.4.2 拉普拉斯特征映射(LE) | 第34-35页 |
| 2.5 经典NJW(NG-JORDAN-WEISS)谱聚类算法 | 第35-36页 |
| 2.6 相似度度量的改进 | 第36-37页 |
| 2.6.1 基于路径的相似度度量 | 第36-37页 |
| 2.6.2 尺度参数σ的优化 | 第37页 |
| 2.7 小结 | 第37-39页 |
| 第三章 基于核模糊相似度度量的谱聚类算法 | 第39-53页 |
| 3.1 引言 | 第39页 |
| 3.2 近似谱聚类算法 | 第39-43页 |
| 3.2.1 基于Nystrom逼近的谱聚类方法 | 第39-42页 |
| 3.2.2 基于t最近邻稀疏化相似矩阵的谱聚类方法 | 第42-43页 |
| 3.3 核模糊C-均值聚类(KFCM)算法 | 第43-44页 |
| 3.4 基于核模糊相似度度量的谱聚类(KFSC)算法 | 第44-46页 |
| 3.4.1 新的核模糊相似度度量 | 第44-45页 |
| 3.4.2 NSCT纹理特征提取 | 第45页 |
| 3.4.3 KFSC算法 | 第45-46页 |
| 3.5 实验结果及分析 | 第46-52页 |
| 3.5.1 合成数据集 | 第46-49页 |
| 3.5.2 参数的敏感性分析 | 第49页 |
| 3.5.3 合成纹理图 | 第49-52页 |
| 3.6 小结 | 第52-53页 |
| 第四章 基于模拟退火遗传的谱聚类算法 | 第53-65页 |
| 4.1 引言 | 第53页 |
| 4.2 基于流形距离的相似度度量 | 第53-54页 |
| 4.3 模拟退火遗产算法 | 第54-55页 |
| 4.3.1 模拟退火算法 | 第54-55页 |
| 4.3.2 模拟退火遗传算法 | 第55页 |
| 4.4 基于模拟退火遗传的模糊聚类算法 | 第55-56页 |
| 4.5 基于模拟退火遗传的谱聚类(SASC)算法 | 第56-57页 |
| 4.6 实验结果及分析 | 第57-63页 |
| 4.6.1 合成数据集 | 第57页 |
| 4.6.2 参数的敏感性分析 | 第57-59页 |
| 4.6.3 合成纹理图 | 第59-62页 |
| 4.6.4 真实图像 | 第62-63页 |
| 4.7 小结 | 第63-65页 |
| 第五章 基于超像素的谱聚类图像分割 | 第65-75页 |
| 5.1 引言 | 第65页 |
| 5.2 超像素方法概述 | 第65-67页 |
| 5.2.1 Ncut方法 | 第66页 |
| 5.2.2 SLIC方法 | 第66-67页 |
| 5.3 超像素的特征描述 | 第67-69页 |
| 5.3.1 颜色特征 | 第68-69页 |
| 5.3.2 颜色直方图特征的提取 | 第69页 |
| 5.4 基于超像素的谱聚类方法SCS | 第69-70页 |
| 5.5 实验及结果分析 | 第70-73页 |
| 5.6 结论 | 第73-75页 |
| 第六章 一种改进的维数约简算法及在人脸识别中的应用 | 第75-95页 |
| 6.1 引言 | 第75-76页 |
| 6.2 经典维数约简方法概述 | 第76-80页 |
| 6.2.1 PCA和LDA方法 | 第76-77页 |
| 6.2.2 LPP、DLPP和NPE方法 | 第77-80页 |
| 6.3 基于稀疏表示的维数约简方法 | 第80-83页 |
| 6.3.1 SPP方法 | 第80-81页 |
| 6.3.2 DSNPE方法 | 第81-83页 |
| 6.4 一种改进的维数约简算法 | 第83-85页 |
| 6.4.1 改进算法的基本思想 | 第83-85页 |
| 6.4.2 改进算法的基本步骤 | 第85页 |
| 6.5 改进算法在人脸识别中的应用 | 第85-93页 |
| 6.6 小结 | 第93-95页 |
| 第七章 总结与展望 | 第95-97页 |
| 7.1 全文工作总结 | 第95页 |
| 7.2 工作展望 | 第95-97页 |
| 参考文献 | 第97-109页 |
| 致谢 | 第109-111页 |
| 作者简介 | 第111-112页 |
