| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 绪论 | 第9-19页 |
| ·研究的背景及意义 | 第9-11页 |
| ·高维数据处理过程 | 第11-13页 |
| ·特征选择 | 第13-14页 |
| ·特征提取 | 第14-17页 |
| ·本文的研究内容 | 第17-18页 |
| ·研究内容 | 第17页 |
| ·本文创新之处 | 第17-18页 |
| ·本文的研究方法与研究框架 | 第18-19页 |
| 2 特征选择及相关技术研究现状 | 第19-37页 |
| ·特征选择的定义 | 第19页 |
| ·传统特征选择的研究现状 | 第19-23页 |
| ·现代特征选择算法研究现状 | 第23-35页 |
| ·本章小结 | 第35-37页 |
| 3 组稀疏子空间的大间隔特征选择 | 第37-63页 |
| ·模型的基本思想 | 第37-51页 |
| ·大间隔学习 | 第37-45页 |
| ·组稀疏子空间学习 | 第45-51页 |
| ·模型的建立与实现 | 第51-60页 |
| ·模型的建立 | 第51-55页 |
| ·目标函数的求解 | 第55-60页 |
| ·算法收敛性分析 | 第60-61页 |
| ·本章小结 | 第61-63页 |
| 4 Trace Ratio-组稀疏子空间的大间隔特征选择 | 第63-73页 |
| ·模型建立的基本思想 | 第63-65页 |
| ·模型建立及算法的实现 | 第65-72页 |
| ·模型的建立 | 第65-67页 |
| ·TR-GSLM 算法的求解过程 | 第67-71页 |
| ·TR-GSLM 算法的收敛性分析 | 第71-72页 |
| ·本章小结 | 第72-73页 |
| 5 高效的 Trace Ratio-组稀疏子空间的大间隔特征选择 | 第73-83页 |
| ·模型建立的基本思想 | 第73页 |
| ·ETR-GSLM 算法实现过程 | 第73-79页 |
| ·ETR-GSLM 收敛性分析 | 第79-81页 |
| ·本章小结 | 第81-83页 |
| 6 实验比较与分析 | 第83-99页 |
| ·实验数据集及环境 | 第83-84页 |
| ·参与比较的算法介绍 | 第84页 |
| ·基于分类精度的特征选算法性能比较 | 第84-87页 |
| ·平均分类精度的比较 | 第85-86页 |
| ·提取前 30%和 60%的特征的分类精度比较 | 第86-87页 |
| ·参数的敏感性分析与比较 | 第87-95页 |
| ·算法的效率比较 | 第95-97页 |
| ·本章小结 | 第97-99页 |
| 7 总结与展望 | 第99-101页 |
| 致谢 | 第101-103页 |
| 参考文献 | 第103-111页 |
| 附录 | 第111页 |
| A 作者在攻读学位期间发表录用及完成的论文 | 第111页 |
| B 作者在攻读学位期间完成的项目 | 第111页 |