| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-25页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-21页 |
| 1.2.1 特征提取 | 第14-17页 |
| 1.2.2 特征选择 | 第17-21页 |
| 1.3 无监督与半监督降维亟待解决的相关问题 | 第21-23页 |
| 1.4 本文的主要研究工作 | 第23-24页 |
| 1.5 本文内容安排 | 第24-25页 |
| 第二章 相关降维方法分析 | 第25-36页 |
| 2.1 线性判别分析 | 第25-26页 |
| 2.2 基于相关度的快速过滤型特征选择 | 第26-29页 |
| 2.3 最小冗余最大相关特征选择 | 第29-32页 |
| 2.4 其它相关度量特征选择 | 第32-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于重构概率类的半监督局部线性判别分析 | 第36-47页 |
| 3.1 引言 | 第36-37页 |
| 3.2 标记约束和成对约束的线性判别分析 | 第37-39页 |
| 3.3 重构概率类的半监督局部线性判别分析 | 第39-43页 |
| 3.3.1 半监督特征提取问题 | 第39-40页 |
| 3.3.2 重构概率类 | 第40-41页 |
| 3.3.3 不相关判别向量 | 第41-42页 |
| 3.3.4 SLFisher方法 | 第42-43页 |
| 3.4 实验及结果分析 | 第43-46页 |
| 3.4.1 人工合成数据 | 第43-45页 |
| 3.4.2 人脸图像识别 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于信息理论的无监督相关度增益度量 | 第47-62页 |
| 4.1 引言 | 第47-48页 |
| 4.2 信息理论概念 | 第48-54页 |
| 4.2.1 信息熵 | 第48-49页 |
| 4.2.2 联合熵 | 第49-50页 |
| 4.2.3 条件熵 | 第50-52页 |
| 4.2.4 互信息 | 第52-54页 |
| 4.3 无监督相关度增益 | 第54-61页 |
| 4.3.1 相关度 | 第54-56页 |
| 4.3.2 联合相关度 | 第56-57页 |
| 4.3.3 条件相关度 | 第57-59页 |
| 4.3.4 相关度增益 | 第59-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 基于相关度增益的无监督特征选择 | 第62-80页 |
| 5.1 引言 | 第62-63页 |
| 5.2 相关知识 | 第63-66页 |
| 5.2.1 Markov blanket | 第63-64页 |
| 5.2.2 粒子群优化 | 第64-66页 |
| 5.3 基于相关度增益的无监督特征选择 | 第66-72页 |
| 5.3.1 基于相关度增益和Markov blanket聚类的代表特征选择 | 第66-69页 |
| 5.3.2 基于相关度增益和粒子群优化的特征选择 | 第69-72页 |
| 5.4 实验及结果分析 | 第72-79页 |
| 5.4.1 数据集 | 第72-73页 |
| 5.4.2 实验设置 | 第73-75页 |
| 5.4.3 实验结果 | 第75-79页 |
| 5.5 本章小结 | 第79-80页 |
| 第六章 基于信息理论和相关性分析的半监督代表特征选择 | 第80-96页 |
| 6.1 引言 | 第80-81页 |
| 6.2 相关度量的特征选择 | 第81-82页 |
| 6.3 基于信息理论和相关性分析的半监督代表特征选择 | 第82-88页 |
| 6.3.1 SRFS框架 | 第82-84页 |
| 6.3.2 SRFS实现及复杂度分析 | 第84-88页 |
| 6.4 实验及结果分析 | 第88-95页 |
| 6.4.1 数据集 | 第88-89页 |
| 6.4.2 实验设置 | 第89-90页 |
| 6.4.3 实验结果 | 第90-95页 |
| 6.5 本章小结 | 第95-96页 |
| 第七章 总结与展望 | 第96-98页 |
| 7.1 总结 | 第96-97页 |
| 7.2 展望 | 第97-98页 |
| 参考文献 | 第98-109页 |
| 致谢 | 第109-110页 |
| 在学期间的研究成果及发表论文 | 第110页 |
