| 摘要 | 第1-8页 |
| Abstract | 第8-11页 |
| 第一章 绪论 | 第11-17页 |
| ·研究背景及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·本文研究内容 | 第14-15页 |
| ·论文的组织结构 | 第15-17页 |
| 第二章 流形学习相关综述 | 第17-24页 |
| ·流形简介 | 第17-18页 |
| ·流形学习的定义 | 第18-19页 |
| ·流形学习方法分类 | 第19-21页 |
| ·流形学习的应用 | 第21-23页 |
| ·数据可视化 | 第21-22页 |
| ·图像处理 | 第22页 |
| ·模式识别 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 基于流形学习的数据约简方法 | 第24-37页 |
| ·线性方法 | 第24-28页 |
| ·主成分分析 | 第25-26页 |
| ·线性判别分析 | 第26-27页 |
| ·多维尺度变换 | 第27-28页 |
| ·非线性方法 | 第28-33页 |
| ·等度规映射 | 第28-30页 |
| ·最大方差展开 | 第30页 |
| ·局部线性嵌套 | 第30-31页 |
| ·拉普拉斯特征映射 | 第31-32页 |
| ·局部切空间排列 | 第32-33页 |
| ·流形学习数据约简方法比较 | 第33-35页 |
| ·流形学习方法的影响因素 | 第35-36页 |
| ·邻域 | 第35页 |
| ·噪声 | 第35页 |
| ·数据集的凹凸性 | 第35-36页 |
| ·放大因子与延伸方向 | 第36页 |
| ·本章小结 | 第36-37页 |
| 第四章 PCA 和 LTSA 方法的改进研究 | 第37-48页 |
| ·基于 AIC 和 KPCA 的邻域参数选择判定方法 | 第37-42页 |
| ·核主成分分析 | 第38-39页 |
| ·AIC 准则 | 第39页 |
| ·基本思想 | 第39-40页 |
| ·算法的实现 | 第40页 |
| ·实验结果与分析 | 第40-42页 |
| ·基于优化线性判别的 LTSA 方法 | 第42-47页 |
| ·优化线性判别分析 | 第43-44页 |
| ·基本思想 | 第44页 |
| ·算法的实现 | 第44-45页 |
| ·实验结果与分析 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 基于流形学习数据约简方法在文本聚类中的应用 | 第48-55页 |
| ·绪论 | 第48-49页 |
| ·文本聚类 | 第49页 |
| ·聚类方法 | 第49-50页 |
| ·改进的 LTSA 方法在文本聚类中的应用 | 第50-54页 |
| ·基本思想 | 第50页 |
| ·算法的实现 | 第50-51页 |
| ·实验结果与分析 | 第51-53页 |
| ·其它数据集 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| ·本文主要工作与贡献 | 第55-56页 |
| ·进一步的工作 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间的主要成果 | 第60-61页 |
| 致谢 | 第61页 |