| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第10-14页 |
| 第一章 引言 | 第14-32页 |
| 1.1 问题的提出 | 第14-16页 |
| 1.2 降维算法介绍 | 第16-24页 |
| 1.2.1 PCA | 第17-18页 |
| 1.2.2 LDA | 第18-19页 |
| 1.2.3 LLE | 第19-20页 |
| 1.2.4 ISOMAP | 第20-21页 |
| 1.2.5 LE | 第21-22页 |
| 1.2.6 LTSA | 第22-23页 |
| 1.2.7 HLLE | 第23-24页 |
| 1.3 论文的主要贡献 | 第24-26页 |
| 1.4 论文涉及的数据库介绍 | 第26-30页 |
| 1.4.1 AR | 第26-27页 |
| 1.4.2 ORL | 第27页 |
| 1.4.3 PIE | 第27页 |
| 1.4.4 YALE | 第27-28页 |
| 1.4.5 FERET | 第28页 |
| 1.4.6 UMIST | 第28-29页 |
| 1.4.7 HKPU | 第29页 |
| 1.4.8 USF | 第29-30页 |
| 1.4.9 COIL-20 | 第30页 |
| 1.5 论文的组织结构 | 第30-32页 |
| 第二章 线性局部切空间排列及线性化的流形学习算法比较 | 第32-42页 |
| 2.1 引言 | 第32-33页 |
| 2.2 线性局部切空间排列（LLTSA） | 第33-35页 |
| 2.2.1 线性化的流形学习 | 第33页 |
| 2.2.2 算法 | 第33-35页 |
| 2.3 实验 | 第35-41页 |
| 2.3.1 人工数据 | 第36-37页 |
| 2.3.2 人脸数据 | 第37-40页 |
| 2.3.3 讨论 | 第40-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第三章 最大方差映射：用于人脸识别的判别算法 | 第42-53页 |
| 3.1 引言 | 第42-43页 |
| 3.2 算法 | 第43-48页 |
| 3.2.1 基本思想 | 第43页 |
| 3.2.2 目标函数 | 第43-45页 |
| 3.2.3 实现 | 第45-46页 |
| 3.2.4 小样本问题 | 第46-48页 |
| 3.3 实验 | 第48-52页 |
| 3.3.1 ORL | 第49-50页 |
| 3.3.2 YALE | 第50-51页 |
| 3.3.3 AR | 第51页 |
| 3.3.4 讨论 | 第51-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第四章 几何保存映射：用于多模型生物特征识别的算法 | 第53-69页 |
| 4.1 引言 | 第53-54页 |
| 4.2 几何保存映射（GPP） | 第54-59页 |
| 4.2.1 多模型生物特征识别系统 | 第55页 |
| 4.2.2 算法描述 | 第55-59页 |
| 4.3 核几何保存映射（KGPP） | 第59-60页 |
| 4.4 子空间分类 | 第60-61页 |
| 4.5 实验 | 第61-67页 |
| 4.5.1 YALE-HKPU-USF | 第61-64页 |
| 4.5.2 FERET-HKPU-USF | 第64-66页 |
| 4.5.3 模型缺失的情况 | 第66-67页 |
| 4.5.4 讨论 | 第67页 |
| 4.6 结论 | 第67-69页 |
| 第五章 局部坐标排列：一种新的流形学习算法 | 第69-84页 |
| 5.1 引言 | 第69-70页 |
| 5.2 局部坐标排列 | 第70-72页 |
| 5.2.1 局部表达 | 第70-71页 |
| 5.2.2 全局排列 | 第71-72页 |
| 5.3 线性局部坐标排列 | 第72-75页 |
| 5.3.1 线性算法 | 第72-73页 |
| 5.3.2 局部片上的核表达 | 第73-74页 |
| 5.3.3 在监督模式下的LLCA | 第74页 |
| 5.3.4 PCA预处理 | 第74-75页 |
| 5.4 与Laplacian Eigenmaps（LE）的联系 | 第75-76页 |
| 5.4.1 LE算法的回顾 | 第75页 |
| 5.4.2 LE算法的新阐述 | 第75-76页 |
| 5.4.3 讨论 | 第76页 |
| 5.5 实验 | 第76-83页 |
| 5.5.1 LCA用于非线性降维 | 第76-78页 |
| 5.5.2 LLCA用于人脸识别 | 第78-83页 |
| 5.6 结论 | 第83-84页 |
| 第六章 片排列：基于谱分析的降维框架 | 第84-106页 |
| 6.1 引言 | 第84-85页 |
| 6.2 片排列：作为一个框架 | 第85-88页 |
| 6.2.1 部分优化 | 第86页 |
| 6.2.2 整体排列 | 第86-88页 |
| 6.3 统一不同的降维算法 | 第88-97页 |
| 6.3.1 LLE/NPE/ONPP | 第88-89页 |
| 6.3.2 ISOMAP | 第89-90页 |
| 6.3.3 LE/LPP | 第90-91页 |
| 6.3.4 LTSA/LLTSA | 第91-92页 |
| 6.3.5 HLLE | 第92-93页 |
| 6.3.6 PCA | 第93-94页 |
| 6.3.7 LDA | 第94-96页 |
| 6.3.8 讨论 | 第96-97页 |
| 6.4 判别局部排列：一种新的算法 | 第97-100页 |
| 6.4.1 部分优化 | 第97-99页 |
| 6.4.2 整体排列 | 第99-100页 |
| 6.5 实验 | 第100-105页 |
| 6.5.1 YALE | 第100-101页 |
| 6.5.2 UMIST | 第101-103页 |
| 6.5.3 FERET | 第103页 |
| 6.5.4 构建片 | 第103-104页 |
| 6.5.5 讨论 | 第104-105页 |
| 6.6 本章小结 | 第105-106页 |
| 第七章 判别正交邻域保存映射：一种用于分类的改进算法 | 第106-119页 |
| 7.1 引言 | 第106页 |
| 7.2 判别正交邻域保存映射（DONPP） | 第106-111页 |
| 7.2.1 部分优化 | 第107-110页 |
| 7.2.2 整体排列 | 第110-111页 |
| 7.3 半监督判别正交邻域保存映射（SDONPP） | 第111-113页 |
| 7.4 实验 | 第113-118页 |
| 7.4.1 关于DONPP的实验 | 第113-117页 |
| 7.4.2 关于SDONPP的实验 | 第117页 |
| 7.4.3 讨论 | 第117-118页 |
| 7.5 本章小结 | 第118-119页 |
| 第八章 结束语 | 第119-122页 |
| 8.1 总结 | 第119-120页 |
| 8.2 展望 | 第120-122页 |
| 参考文献 | 第122-131页 |
| 致谢 | 第131-133页 |
| 博士期间撰写的学术论文 | 第133-136页 |
| 博士期间申请的发明专利 | 第136-137页 |
| 学术服务 | 第137页 |
