| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 课题研究意义 | 第11-13页 |
| 1.2 论文的主要创新工作 | 第13-14页 |
| 1.3 本文的组织结构 | 第14-15页 |
| 第二章 高维数据降维可视化算法 | 第15-25页 |
| 2.1 非线性数据降维可视化方法 | 第15-16页 |
| 2.2 基于流形学习的数据降维可视化 | 第16-19页 |
| 2.2.1 等度量映射算法(Isomap) | 第16-17页 |
| 2.2.2 局部线性嵌入算法(LLE) | 第17-19页 |
| 2.3 保持局部和全局特性的非线性数据降维可视化 | 第19-22页 |
| 2.3.1 t-分布随机邻接嵌入算法(t-SNE) | 第19-20页 |
| 2.3.2 多重映射图随机邻接嵌入算法 | 第20-21页 |
| 2.3.3 基于拉普拉斯正则化的多重映射图随机邻接嵌入算法 | 第21-22页 |
| 2.4 高维数据降维可视化评价 | 第22-23页 |
| 2.4.1 邻居保存率(NPR) | 第22页 |
| 2.4.2 错误率 | 第22-23页 |
| 2.5 高维数据集 | 第23-24页 |
| 2.5.1 词相关性数据集 | 第23页 |
| 2.5.2 合著者数据集 | 第23页 |
| 2.5.3 表型相似性数据集 | 第23页 |
| 2.5.4 微生物数据集 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于Nesterov动量的mm-tSNE正则化算法 | 第25-37页 |
| 3.1 基于梯度的优化算法 | 第25-27页 |
| 3.1.1 随机梯度下降算法 | 第25页 |
| 3.1.2 标准动量算法 | 第25-26页 |
| 3.1.3 Nesterov动量算法 | 第26-27页 |
| 3.2 基于Nesterov动量的mm-tSNE正则化的高维可视化算法 | 第27-28页 |
| 3.3 实验结果与分析 | 第28-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于NM-RMSProp策略的mm-tSNE正则化算法 | 第37-51页 |
| 4.1 自适应学习率算法 | 第37页 |
| 4.2 AdaGrad算法 | 第37-38页 |
| 4.3 RMSProp算法 | 第38-39页 |
| 4.4 基于NM-RMSProp策略的mm-tSNE正则化算法 | 第39-40页 |
| 4.5 实验结果与分析 | 第40-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 主要贡献和创新点 | 第51页 |
| 5.2 研究展望 | 第51-53页 |
| 参考文献 | 第53-59页 |
| 致谢 | 第59-60页 |
| 攻读硕士学位期间的主要研究成果 | 第60页 |
