| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国内研究现状 | 第12页 |
| 1.2.2 国外研究现状 | 第12-13页 |
| 1.2.3 问题总结 | 第13-14页 |
| 1.3 研究内容及组织结构 | 第14-16页 |
| 第二章 相关研究背景 | 第16-26页 |
| 2.1 数据降维方法 | 第16-21页 |
| 2.1.1 降维定义 | 第16页 |
| 2.1.2 线性降维方法 | 第16-18页 |
| 2.1.3 非线性降维方法 | 第18-21页 |
| 2.2 基于高维数据集的机器学习方法 | 第21-25页 |
| 2.2.1 机器学习聚类方法 | 第21-22页 |
| 2.2.2 机器学习分类方法 | 第22-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 一种改进的高维数据集降维优化方法 | 第26-45页 |
| 3.1 KPCA核函数的参数选取 | 第26-33页 |
| 3.1.1 核函数介绍及选取 | 第26-30页 |
| 3.1.2 核参数的选取 | 第30-33页 |
| 3.2 KPCA算法设计 | 第33-37页 |
| 3.2.1 基于信息熵的KPCA算法设计 | 第33-36页 |
| 3.2.2 KPCA实验结果分析 | 第36-37页 |
| 3.3 LDA算法设计 | 第37-40页 |
| 3.3.1 加权的LDA算法设计 | 第37-39页 |
| 3.3.2 LDA实验结果分析 | 第39-40页 |
| 3.4 降维算法的改进融合 | 第40-42页 |
| 3.4.1 KPCA-LDA改进算法融合 | 第40-41页 |
| 3.4.2 KPCA-LDA实验结果分析 | 第41-42页 |
| 3.5 降维优化方法KPCA-LDA-BPNN | 第42-44页 |
| 3.5.1 KPCA-LDA-BPNN方法 | 第42-43页 |
| 3.5.2 KPCA-LDA-BPNN实验结果分析 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 降维优化方法在手写数字识别中的应用 | 第45-51页 |
| 4.1 手写数字数据集 | 第45-46页 |
| 4.2 预处理工作 | 第46页 |
| 4.3 手写数字数据集降维处理 | 第46-50页 |
| 4.3.1 KPCA-LDA特征提取 | 第46-47页 |
| 4.3.2 BPNN数据分类 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 论文总结 | 第51页 |
| 5.2 下一步工作 | 第51-53页 |
| 参考文献 | 第53-59页 |
| 致谢 | 第59-60页 |
| 附:硕士研究生期间论文发表及研究项目 | 第60页 |