文摘
英文文摘
声明
第一章 绪论
1.1 课题背景及意义
1.2 相关研究介绍及分析
1.2.1 线性降维
1.2.2 流形学习
1.2.3 半监督学习
1.3 本文的主要研究内容
1.4 本文的组织
第二章 流形学习若干问题研究
2.1 孤立点不敏感的流形学习
2.1.1 距离度量及基于距离的孤立点定义
2.1.2 孤立点对流形学习算法的影响
2.1.3 基于改进距离的孤立点检测方法
2.1.4 实验及分析
2.2 流形学习自适应邻域选取
2.2.1 现有的邻域选取方法
2.2.2 流形排序及其与邻域选取的关系
2.2.3 局部切空间估计
2.2.4 自适应邻域选取
2.2.5 自适应邻域选取算法描述
2.2.6 实验及分析
2.3 有监督流形学习研究
2.3.1 KPCA与MVU
2.3.2 S—MVU算法
2.3.3 实验及分析
2.4 本章小结
第三章 基于成对约束信息的半监督维数约减研究
3.1 基于局部与全局保持的半监督维数约减
3.1.1 LGSSDR算法的目标函数
3.1.2 LGSSDR算法的图嵌入解释及算法描述
3.1.3 KLGSSDR 算法
3.1.4 实验及分析
3.2 基于局部重构与全局保持的半监督维数约减
3.2.1 LRGPSSDR算法的目标函数
3.2.2 LRGPSSDR算法描述
3.2.3 实验及分析
3.3 本章小结
第四章 基于局部重构与全局保持的半监督判别分析研究
4.1 引言
4.2 LDA,SDA与UDA介绍
4.2.1 LDA算法
4.2.2 SDA算法
4.2.3 UDA算法
4.3 LRGPSSDA算法
4.3.1 LRGPSSDA的目标函数
4.3.2 LRGPSSDA的图嵌入解释
4.3.3 LRGPSSDA算法描述
4.4 实验及分析
4.4.1 Extended YaleB数据集
4.4.2 CMU PIE 数据集
4.5 本章小结
第五章 基于鲁棒路径正则化的半监督分类研究
5.1 引言
5.2 基于鲁棒路径的相似度度量
5.3 基于鲁棒路径正则化的半监督分类—线性分类器(SSCRPR—Linear)
5.3.1 SSCRPR—Linear的目标函数
5.3.2 SSCRPR—Linear算法描述
5.4 基于鲁棒路径正则化的半监督分类—非线性分类器(SSCRPR—Nonlinear)
5.4.1 SSCRPR—Nonlinear的目标函数
5.4.2 SSCRPR—Nonlinear算法描述
5.5 实验及分析
5.5.1 双月数据集
5.5.2 UCI数据集
5.5.3 USPS数据集
5.6 本章小结
结论和展望
参考文献
攻读博士学位期间取得的研究成果
致谢