| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-22页 |
| ·研究背景与意义 | 第12-14页 |
| ·降维方法的研究现状 | 第14-20页 |
| ·主元分析算法 | 第14-16页 |
| ·自组织映射 | 第16-18页 |
| ·非线性降维与流形学习 | 第18-20页 |
| ·主要工作和结构安排 | 第20-22页 |
| 第二章 基于自相关矩阵的均值更新增量主元分析算法 | 第22-38页 |
| ·基于自相关矩阵的IPCA | 第23-29页 |
| ·特征子空间居中变换 | 第23-25页 |
| ·旧数据存储空间维数恒定变换 | 第25-28页 |
| ·算法的流程 | 第28-29页 |
| ·与其它算法的关系 | 第29-32页 |
| ·实验结果与讨论 | 第32-37页 |
| ·子空间学习 | 第32-35页 |
| ·增量的学习和识别 | 第35-37页 |
| ·小结 | 第37-38页 |
| 第三章 局部主元分析自组织图 | 第38-56页 |
| ·局部主元分析模型 | 第39-44页 |
| ·神经元竞争度量 | 第39-42页 |
| ·神经元的更新 | 第42-44页 |
| ·实验结果及讨论 | 第44-48页 |
| ·仿真数据 | 第44-46页 |
| ·模式的学习和回忆 | 第46-48页 |
| ·与其他局部主元分析算法的关系 | 第48-51页 |
| ·从Neural Gas扩展的局部主元分析算法NGAS-PCA | 第48-49页 |
| ·主元分析自组织图PCA-SOM | 第49-51页 |
| ·小结 | 第51-56页 |
| 第四章 使用泛化的拓扑保持自组织图进行形状恢复 | 第56-70页 |
| ·模型的建立 | 第57-63页 |
| ·神经元链条的自组织 | 第58-59页 |
| ·自适应力场 | 第59-61页 |
| ·水平集的形式 | 第61-62页 |
| ·与其它模型的关系 | 第62-63页 |
| ·实验结果及讨论 | 第63-66页 |
| ·小结 | 第66-70页 |
| 第五章 非线性流形(Manifold)的学习与合成 | 第70-100页 |
| ·引言 | 第70-72页 |
| ·LGGA流形学习的构建 | 第72-76页 |
| ·局部流形的建模 | 第73-75页 |
| ·恢复全局尺度信息 | 第75-76页 |
| ·在输入空间和特征空间之间穿梭 | 第76-79页 |
| ·从输入空间到特征空间 | 第76-78页 |
| ·从特征空间到输入空间 | 第78-79页 |
| ·关于流形分析的核观点 | 第79-84页 |
| ·流形学习的核观点 | 第80-82页 |
| ·基于核观点的联想去噪与合成 | 第82-84页 |
| ·流形算法的核观点小结 | 第84页 |
| ·参数设置与讨论 | 第84-86页 |
| ·实验结果及其讨论 | 第86-96页 |
| ·流形学习 | 第87-94页 |
| ·在输入空间和特征空间之间穿梭 | 第94-96页 |
| ·小结 | 第96-100页 |
| 第六章 结论和展望 | 第100-102页 |
| ·总结 | 第100-101页 |
| ·展望 | 第101-102页 |
| 致谢 | 第102-104页 |
| 参考文献 | 第104-112页 |
| 读博期间取得的研究成果 | 第112-113页 |