| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·数据挖掘 | 第7-10页 |
| ·数据挖掘的产生 | 第7页 |
| ·数据挖掘的相关定义及算法 | 第7-9页 |
| ·数据挖掘的应用 | 第9-10页 |
| ·数据降维及其发展现状 | 第10-14页 |
| ·数据降维研究背景 | 第10页 |
| ·数据降维的定义 | 第10-12页 |
| ·数据降维的现状 | 第12-14页 |
| ·论文研究的章节安排 | 第14-15页 |
| 第二章 数据降维 | 第15-31页 |
| ·无监督降维 | 第15-18页 |
| ·局部线性嵌入算法 LLE | 第15-17页 |
| ·无监督降维的总结 | 第17-18页 |
| ·监督降维 | 第18-21页 |
| ·有监督的相关向量机（RVM） | 第18-20页 |
| ·有监督的局部线性嵌入方法 SLLE | 第20页 |
| ·监督降维的分析总结 | 第20-21页 |
| ·半监督降维 | 第21-28页 |
| ·机器学习的起源 | 第21-22页 |
| ·半监督学习 | 第22-23页 |
| ·半监督学习的两个基本假设和四个框架 | 第23-26页 |
| ·半监督降维算法 | 第26-28页 |
| ·小结 | 第28-31页 |
| 第三章 FDA 和 PCA 的半监督降维框架的研究分析 | 第31-41页 |
| ·引言 | 第31页 |
| ·相关概念 | 第31-35页 |
| ·Fisher 判别分析法 | 第31-34页 |
| ·主成份分析法（PCA） | 第34-35页 |
| ·FDA 和 PCA 比较分析 | 第35-37页 |
| ·FDA 和 PCA 的半监督降维框架及实例分析 | 第37-39页 |
| ·FDA 和 PCA 的半监督降维框架 | 第37-38页 |
| ·实例分析 | 第38-39页 |
| ·小结 | 第39-41页 |
| 第四章 基于 Fisher 判别的半监督天体光谱数据降维 | 第41-49页 |
| ·引言 | 第41-42页 |
| ·相关概念 | 第42-44页 |
| ·基于 Fisher 判别分析（FDA）半监督降维思想 | 第44-46页 |
| ·实验结果分析 | 第46-48页 |
| ·小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| ·总结 | 第49页 |
| ·展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-57页 |
| 研究生期间发表的文章及参与项目 | 第57-59页 |
| 个人简介与联系方式 | 第59-60页 |
