| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 引言 | 第9-11页 |
| 1 流形学习及降维方法综述 | 第11-28页 |
| 1.1 线性降维方法 | 第12-13页 |
| 1.1.1 主成分分析(PCA) | 第12-13页 |
| 1.1.2 线性判别分析(LDA) | 第13页 |
| 1.2 非线性降维方法 | 第13-20页 |
| 1.2.1 保持全局特性的方法 | 第14-15页 |
| 1.2.2 保持局部特性的方法 | 第15-20页 |
| 1.3 基于谱图的流形学习方法扩展 | 第20-24页 |
| 1.3.1 局部保持映射算法(LPP) | 第20页 |
| 1.3.2 邻域保持嵌入(NPE) | 第20-22页 |
| 1.3.3 边界Fisher分析(MFA) | 第22-23页 |
| 1.3.4 局部敏感判别分析(LSDA) | 第23-24页 |
| 1.4 核方法 | 第24-28页 |
| 1.4.1 核函数 | 第24-26页 |
| 1.4.2 核主成分分析(KPCA) | 第26-28页 |
| 2 核优化局部保持映射算法 | 第28-42页 |
| 2.1 数据依赖核 | 第28-29页 |
| 2.2 基于核优化的Fisher准则 | 第29-30页 |
| 2.3 有监督的核优化局部保持映射算法(SKOLPP) | 第30-31页 |
| 2.4 实验 | 第31-41页 |
| 2.4.1 合成高斯数据集上的核优化 | 第31-33页 |
| 2.4.2 SKOLPP在ORL和Yale数据集上的实验 | 第33-37页 |
| 2.4.3 SKOLPP在AR数据集上的实验 | 第37-40页 |
| 2.4.4 SKOLPP在掌纹数据集上的实验 | 第40-41页 |
| 2.5 本章小结 | 第41-42页 |
| 3 基于二维图像矩阵的特征提取方法 | 第42-55页 |
| 3.1 二维特征提取算法 | 第43-49页 |
| 3.1.1 二维主成分分析(2DPCA) | 第43-44页 |
| 3.1.2 二维邻域保持映射(2DNPP)和二维局部保持映射(2DLPP) | 第44-46页 |
| 3.1.3 二维判别邻域保持嵌入(2DDNPE) | 第46-49页 |
| 3.2 实验 | 第49-54页 |
| 3.3 本章小结 | 第54-55页 |
| 4 基于LPP-L1的MRCP检测算法 | 第55-63页 |
| 4.1 实验设置和信号采集 | 第56-58页 |
| 4.2 特征提取 | 第58页 |
| 4.3 LPP-L1算法 | 第58-60页 |
| 4.4 实验 | 第60-62页 |
| 4.4.1 统计分析 | 第60页 |
| 4.4.2 实验结果 | 第60-62页 |
| 4.5 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 附录A 公式(2.8)的相关证明 | 第69-72页 |
| 附录B 定理1证明 | 第72-73页 |
| 攻读硕士学位期间发表学术论文情况 | 第73-74页 |
| 致谢 | 第74-75页 |
