| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 降维技术的应用 | 第10-12页 |
| 1.3.1 模式识别 | 第10-11页 |
| 1.3.2 图像检索 | 第11-12页 |
| 1.3.3 文本分类 | 第12页 |
| 1.3.4 数据可视化 | 第12页 |
| 1.4 本文主要研究内容和创新点 | 第12-13页 |
| 1.5 本文内容结构 | 第13-15页 |
| 第二章 数据降维算法 | 第15-23页 |
| 2.1 引言 | 第15-16页 |
| 2.2 PCA算法 | 第16-17页 |
| 2.3 LDA算法 | 第17-19页 |
| 2.4 改进的LDA算法 | 第19-22页 |
| 2.4.1 两级LDA (Two-stage LDA) | 第19-20页 |
| 2.4.2 伪逆LDA (Pseudo-inverse LDA) | 第20页 |
| 2.4.3 二维LDA(Two- Dimensional LDA) | 第20-21页 |
| 2.4.4 最大间距准则(Maximum margin criterion MMC) | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 自适应平均邻域边界最大算法 | 第23-36页 |
| 3.1 引言 | 第23-25页 |
| 3.2 平均邻域边界最大算法 | 第25-27页 |
| 3.3 自适应平均邻域边界最大算法 | 第27-30页 |
| 3.3.1 自适应最优近邻点选择方法 | 第27-28页 |
| 3.3.2 自适应平均邻域边界最大算法 | 第28-30页 |
| 3.4 实验设计与分析 | 第30-35页 |
| 3.4.1 数据描述 | 第30-31页 |
| 3.4.2 UCI数据集上分类实验 | 第31-33页 |
| 3.4.3 Coil20数据集上分类实验 | 第33-34页 |
| 3.4.4 算法的收敛性证明 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 AANMM在人脸识别中的应用 | 第36-46页 |
| 4.1 引言 | 第36页 |
| 4.2 人脸识别的研究方法 | 第36-40页 |
| 4.2.1 人脸识别的大致流程 | 第36-38页 |
| 4.2.2 人脸特征提取方法 | 第38-39页 |
| 4.2.3 分类识别方法 | 第39-40页 |
| 4.3 基于AANMM特征提取的人脸识别 | 第40-45页 |
| 4.3.1 YALE数据集上的实验 | 第41-43页 |
| 4.3.2 AT&T数据集上的实验 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 总结与展望 | 第46-48页 |
| 5.1 本文研究工作及成果 | 第46-47页 |
| 5.2 研究展望 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 附录A 图索引 | 第53-54页 |
| Appendix A Figure Index | 第54-55页 |
| 附录B 表格索引 | 第55-56页 |
| Appendix B Table Index | 第56-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间发表的学术论文目录 | 第58页 |
