| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 度量学习研究现状 | 第14-15页 |
| 1.2.2 2D算法及其改进研究现状 | 第15-17页 |
| 1.2.3 研究现状总结 | 第17-18页 |
| 1.3 本文主要工作和创新点 | 第18-19页 |
| 1.4 论文组织结构 | 第19-20页 |
| 第二章 相关工作概述 | 第20-29页 |
| 2.1 典型度量学习算法 | 第20-22页 |
| 2.2 典型的2D算法 | 第22-24页 |
| 2.3 2D算法改进方法 | 第24-27页 |
| 2.3.1 基于空间结构信息利用的改进 | 第25-26页 |
| 2.3.2 基于核方法的改进 | 第26页 |
| 2.3.3 基于度量的改进 | 第26-27页 |
| 2.3.4 基于正则化的改进 | 第27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 2D度量学习算法设计 | 第29-37页 |
| 3.1 动机和主要思想 | 第29-30页 |
| 3.2 2D度量学习算法模型 | 第30-31页 |
| 3.3 2D度量学习优化方法 | 第31-32页 |
| 3.4 实验及分析 | 第32-35页 |
| 3.4.1 实验设置 | 第32页 |
| 3.4.2 2D度量学习和1D度量学习性能对比 | 第32-34页 |
| 3.4.3 添加约束的2D度量学习性能对比 | 第34-35页 |
| 3.4.4 实验结果分析 | 第35页 |
| 3.5 本章小结 | 第35-37页 |
| 第四章 空间结构化欧拉核 | 第37-48页 |
| 4.1 动机和主要思想 | 第37-38页 |
| 4.2 空间结构化欧拉核 | 第38-39页 |
| 4.3 空间结构化欧拉核针对2D算法的改进 | 第39-43页 |
| 4.3.1 2D-EPCA和2D-IEPCA特征提取算法 | 第39-40页 |
| 4.3.2 2D-EPCA和2D-IEPCA原像去噪算法 | 第40-43页 |
| 4.3.3 2D-ELDA和2D-IELDA算法 | 第43页 |
| 4.4 实验及结果分析 | 第43-47页 |
| 4.4.1 实验设置 | 第43-44页 |
| 4.4.2 数据重建与去噪 | 第44-45页 |
| 4.4.3 分类实验 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 研究工作总结 | 第48-49页 |
| 5.2 下一步工作展望 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
| 在学期间的研究成果及发表的学术论文 | 第55页 |