| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 1 绪论 | 第13-30页 |
| ·维数约简 | 第13-15页 |
| ·流形学习 | 第15-25页 |
| ·数学基础 | 第15-18页 |
| ·流形学习发展历史 | 第18-24页 |
| ·流形学习应用 | 第24-25页 |
| ·本文的研究出发点 | 第25-28页 |
| ·论文的组织结构 | 第28-30页 |
| 2 流形学习方法分析 | 第30-58页 |
| ·引言 | 第30页 |
| ·流形学习方法分类 | 第30-35页 |
| ·神经网络 | 第31-32页 |
| ·主流形 | 第32-33页 |
| ·互信息 | 第33页 |
| ·变分法 | 第33-34页 |
| ·谱图理论方法 | 第34-35页 |
| ·基于全局的方法 | 第35-38页 |
| ·主成分分析(PCA)和核主成分分析(KPCA) | 第35页 |
| ·多维尺度分析(MDS)与等距映射(ISOMAP) | 第35-37页 |
| ·扩散映射(Diffusion Maps) | 第37页 |
| ·半正定嵌入(SDE) | 第37-38页 |
| ·基于局部的方法 | 第38-41页 |
| ·局部线性嵌入(LLE) | 第38-39页 |
| ·拉普拉斯特征映射(Laplacian Eigenmaps) | 第39页 |
| ·Hessian 特征映射 | 第39-40页 |
| ·局部切空间排列(LTSA) | 第40-41页 |
| ·基于局部模型的全局排列方法 | 第41-43页 |
| ·局部线性坐标(LLC) | 第41-42页 |
| ·流形坐标卡(Charting a manifold) | 第42-43页 |
| ·坐标化因子分析(CFA) | 第43页 |
| ·流形学习推广算法 | 第43-47页 |
| ·线性与非线性方法 | 第43-45页 |
| ·有监督学习方法 | 第45-46页 |
| ·样本外(Out-of-example)学习方法 | 第46-47页 |
| ·实验结果及分析 | 第47-57页 |
| ·人工数据集实验 | 第47-49页 |
| ·COIL 图像数据集实验 | 第49-51页 |
| ·AT&T 人脸图像数据库实验 | 第51-54页 |
| ·实验结果分析 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 3 局部与全局保持嵌入算法 | 第58-81页 |
| ·引言 | 第58页 |
| ·流形学习算法在统一框架下的差异分析 | 第58-63页 |
| ·图嵌入及其推广框架 | 第59-62页 |
| ·图嵌入框架下流形学习算法差异化分析 | 第62-63页 |
| ·局部与全局保持嵌入算法(LGPE) | 第63-69页 |
| ·局部与全局结构信息表征 | 第63-65页 |
| ·局部与全局结构保持 | 第65-66页 |
| ·算法流程 | 第66-67页 |
| ·算法对近邻参数k 的敏感性 | 第67-69页 |
| ·与其他流形学习方法之间的联系 | 第69-72页 |
| ·拉普拉斯本征映射(LE)与非监督鉴别投影(UDP) | 第69-71页 |
| ·局部鉴别嵌入(LDE) | 第71-72页 |
| ·实验结果及分析 | 第72-79页 |
| ·人工数据集(Synthetic datasets) 实验 | 第72-75页 |
| ·COIL-20 数据集 | 第75-77页 |
| ·Mnist 手写数字图像库 | 第77-78页 |
| ·ISOMAP 人脸图像数据集 | 第78-79页 |
| ·实验结果分析 | 第79页 |
| ·本章小结 | 第79-81页 |
| 4 基于自适应标志点选择的局部与全局保持嵌入算法 | 第81-95页 |
| ·引言 | 第81页 |
| ·标志点选取对流形学习效果的影响 | 第81-84页 |
| ·基于自适应标志点的局部及全局保持嵌入算法 | 第84-87页 |
| ·实验结果及分析 | 第87-94页 |
| ·Punctured Sphere 数据集 | 第87-89页 |
| ·Helix 数据集 | 第89-91页 |
| ·Teapots 数据集 | 第91-94页 |
| ·实验结果分析 | 第94页 |
| ·本章小结 | 第94-95页 |
| 5 局部与全局保持嵌入算法在图嵌入框架下的推广 | 第95-117页 |
| ·引言 | 第95页 |
| ·问题的提出 | 第95-96页 |
| ·线性局部与全局保持嵌入算法(Linear LGPE) | 第96-99页 |
| ·线性流形学习方法 | 第96-97页 |
| ·线性局部与全局保持嵌入算法(Linear LGPE) | 第97-98页 |
| ·算法流程 | 第98-99页 |
| ·核局部与全局保持嵌入算法(Kernel LGPE) | 第99-102页 |
| ·核方法 | 第99-100页 |
| ·流形学习与核方法 | 第100-101页 |
| ·核局部与全局保持嵌入算法(Kernel LGPE) | 第101-102页 |
| ·张量局部与全局保持嵌入算法(Tensor LGPE) | 第102-106页 |
| ·流形学习与张量分析 | 第102-104页 |
| ·张量局部与全局保持嵌入算法(Tensor LGPE) | 第104-105页 |
| ·Tensor LGPE 算法流程 | 第105-106页 |
| ·实验结果及分析 | 第106-115页 |
| ·人脸图像预处理及参数设置 | 第107-109页 |
| ·实验结果 | 第109-114页 |
| ·实验结果分析 | 第114-115页 |
| ·本章小结 | 第115-117页 |
| 6 基于语义流形学习的人脸图像检索 | 第117-136页 |
| ·引言 | 第117-120页 |
| ·问题的提出 | 第117-119页 |
| ·图像检索技术的研究现状 | 第119-120页 |
| ·基于流形学习的图像检索算法分析 | 第120-123页 |
| ·反馈保局投影算法(FLPP) | 第120-121页 |
| ·扩展联系嵌入算法(ARE) | 第121-122页 |
| ·基于流形学习的图像检索算法对比分析 | 第122-123页 |
| ·半监督局部与全局保持嵌入方法(SS-LGPE) | 第123-126页 |
| ·基于语义流形学习的人脸图像检索 | 第126-128页 |
| ·概述 | 第126-127页 |
| ·基于反馈的语义流形学习(FSML)算法 | 第127-128页 |
| ·实验结果及分析 | 第128-135页 |
| ·实验设计 | 第128-129页 |
| ·2D 可视化实验 | 第129-132页 |
| ·人脸图像检索实验 | 第132-135页 |
| ·本章小结 | 第135-136页 |
| 7 本文工作总结及展望 | 第136-139页 |
| ·全文工作总结 | 第136-138页 |
| ·后续工作展望 | 第138-139页 |
| 致谢 | 第139-140页 |
| 参考文献 | 第140-150页 |
| 附录 | 第150-156页 |
| A. 作者在攻读学位期间发表和即将发表的论文目录 | 第150页 |
| B. 已投稿文章目录 | 第150-151页 |
| C. 作者在攻读学位期间参与的科研项目目录 | 第151页 |
| D. 作者在攻读学位期间取得的科研成果目录 | 第151-152页 |
| E. 英汉术语对照表 | 第152-156页 |
