声明
第一章 绪论
1.1 本课题研究背景与意义
1.2 流形学习研究进展
1.2.1 等距映射(Isometric feature mapping,Isomap)
1.2.2 局部线性嵌入(Locally Linear Embedding,LLE)
1.2.3 拉普拉斯特征映射(Laplacian Eigenmap,LE)
1.2.4 局部切空间排列(Local Tangent Space Alignment,LTSA)
1.2.5 流形学习泛化框架
1.3 问题提出与内容安排
第二章 相关基础理论
2.1 拓扑空间与流形
2.2 拓扑群
2.3 联络和仿射联络空间
2.4 测地线
2.5 黎曼流形
2.6 Finsler几何
2.7 本章小结
第三章 基于Finsler度量的KNN算法
3.1 K近邻算法
3.1.1 KNN算法基本思想
3.1.2 KNN算法常用改进方法
3.2 基于Finsler度量的KNN算法
3.3 实验结果与分析
3.4 本章小结
第四章 基于Finsler度量的几何学习算法
4.1 常用监督流形学习算法
4.1.1 S-ISOMAP
4.1.2 S-LLE
4.1.3 S-LE
4.2 Finsler几何学习算法
4.2.1 数据集的划分
4.2.2 基于Finsler度量的降维算法
4.2.3 算法分析
4.3 本章小结
第五章 实例分析
5.1 手写体数字识别
5.2 人脸识别
5.3 本章小结
第六章 总结与展望
参考文献
中英文名词对照
攻读学位期间参加的科研项目及发表的论文
致谢
苏州大学;