| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 问题提出与研究意义 | 第12-13页 |
| 1.2 特征提取与特征选择算法研究现状分析 | 第13-16页 |
| 1.2.1 特征提取算法的研究现状 | 第13-15页 |
| 1.2.2 特征选择算法的研究现状 | 第15-16页 |
| 1.3 本文的主要研究工作和内容安排 | 第16-19页 |
| 第二章 相关背景知识 | 第19-26页 |
| 2.1 引言 | 第19页 |
| 2.2 传统的距离度量方式 | 第19-21页 |
| 2.3 有效距离 | 第21-23页 |
| 2.4 稀疏表示 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于有效距离的特征提取算法 | 第26-42页 |
| 3.1 引言 | 第26页 |
| 3.2 特征提取算法 | 第26-28页 |
| 3.2.1 局部保持投影(LPP) | 第26-27页 |
| 3.2.2 稀疏保持投影(SPP) | 第27-28页 |
| 3.3 基于有效距离的相似性矩阵计算 | 第28-29页 |
| 3.3.1 基于稀疏表示的有效距离及其相似性矩阵计算 | 第28-29页 |
| 3.3.2 基于KNN算法的有效距离及其相似性矩阵计算 | 第29页 |
| 3.4 基于有效距离的特征提取算法及其多模态分类框架 | 第29-33页 |
| 3.4.1 基于有效距离的LPP算法 | 第29-30页 |
| 3.4.2 基于有效距离的SPP算法 | 第30-31页 |
| 3.4.3 基于EDLPP和EDSPP的多模态分类 | 第31-33页 |
| 3.5 实验 | 第33-40页 |
| 3.5.1 实验数据集 | 第33-34页 |
| 3.5.2 实验设置 | 第34-35页 |
| 3.5.3 实验结果分析 | 第35-40页 |
| 3.5.3.1 单模态数据集实验结果 | 第35-36页 |
| 3.5.3.2 多模态数据集实验结果 | 第36-38页 |
| 3.5.3.3 参数选择 | 第38-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第四章 基于有效距离的特征选择算法 | 第42-52页 |
| 4.1 引言 | 第42页 |
| 4.2 特征选择算法 | 第42-45页 |
| 4.2.1 迭代的Laplacian Score算法 | 第42-44页 |
| 4.2.2 迭代的Sparsity Score算法 | 第44-45页 |
| 4.3 基于有效距离的特征选择算法 | 第45-47页 |
| 4.3.1 基于稀疏表示的有效距离及其相似性矩阵计算 | 第45页 |
| 4.3.2 基于有效距离的迭代Laplacian Score算法 | 第45-46页 |
| 4.3.3 基于有效距离的迭代Sparsity Score算法 | 第46-47页 |
| 4.4 实验结果与分析 | 第47-50页 |
| 4.4.1 实验数据集 | 第47页 |
| 4.4.2 实验设置 | 第47-48页 |
| 4.4.3 实验结果 | 第48-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 本文总结 | 第52-53页 |
| 5.2 未来工作展望 | 第53-54页 |
| 参考文献 | 第54-61页 |
| 致谢 | 第61-62页 |
| 在学期间的研究成果及发表的学术论文 | 第62页 |
