| 中文摘要 | 第10-12页 |
| Abstract | 第12-13页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究进展 | 第15-17页 |
| 1.3 本文研究内容与组织结构 | 第17-20页 |
| 第二章 流形学习基本理论介绍 | 第20-24页 |
| 2.1 流形学习基本定义 | 第20-21页 |
| 2.2 流形学习经典算法介绍 | 第21-22页 |
| 2.2.1 ISOMAP介绍 | 第21页 |
| 2.2.2 LLE介绍 | 第21-22页 |
| 2.2.3 LTSA介绍 | 第22页 |
| 2.3 本章小结 | 第22-24页 |
| 第三章 面向等维独立多流形的增量学习算法IMM-ISOMAP | 第24-38页 |
| 3.1 相关工作介绍 | 第24-26页 |
| 3.1.1 面向等维独立多流形的DC-ISOMAP算法 | 第24-25页 |
| 3.1.2 基于动态K-NN的ISOMAP增量学习算法 | 第25-26页 |
| 3.2 面向等维独立多流形的增量学习算法IMM-ISOMAP | 第26-29页 |
| 3.2.1 更新邻域关系 | 第27-28页 |
| 3.2.2 更新子流形的划分 | 第28页 |
| 3.2.3 更新低维嵌入 | 第28页 |
| 3.2.4 更新最终嵌入结果 | 第28-29页 |
| 3.2.5 时间复杂度分析 | 第29页 |
| 3.3 实验结果与分析 | 第29-35页 |
| 3.3.1 分解子流形的精度及效率实验 | 第30-31页 |
| 3.3.2 人工数据上的增量学习实验 | 第31-33页 |
| 3.3.3 实际人脸数据上的增量实验 | 第33-35页 |
| 3.4 算法讨论 | 第35-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第四章 面向高维相交多流形的识别算法D-MPPCA | 第38-48页 |
| 4.1 相交多流形及混合概率主成分分析MPPCA模型 | 第38-40页 |
| 4.1.1 混合概率主成分分析法MPPCA | 第38-39页 |
| 4.1.2 切空间扩展算法 | 第39-40页 |
| 4.2 面向高维相交多流形数据的D-MPPCA识别算法 | 第40-41页 |
| 4.2.1 计算邻域和切空间 | 第41页 |
| 4.2.2 切空间扩展分解多流形 | 第41页 |
| 4.2.3 算法时间复杂度分析 | 第41页 |
| 4.3 实验结果及分析 | 第41-46页 |
| 4.3.1 参数对相交多流形分解算法精度的影响 | 第41-42页 |
| 4.3.2 人工数据上的实验 | 第42-44页 |
| 4.3.3 实际数据上的实验 | 第44-46页 |
| 4.4 算法讨论 | 第46页 |
| 4.5 本章小结 | 第46-48页 |
| 第五章 结论与展望 | 第48-50页 |
| 5.1 结论 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 攻读学位期间取得的研究成果 | 第54-56页 |
| 致谢 | 第56-58页 |
| 个人简况及联系方式 | 第58-59页 |
