包邮基于智能计算的降维技术研究与应用

第1章 绪论 1．1 课题研究背景 1．1．1 特征选择技术 1．1．2 特征提取技术 1．2 特征降维技术面临的几个挑战 1．3 课题的主要研究内容和组织安排第2章 广义的势支持特征选择方法 2．1 引言 2．2 势支持向量机P．SVM 2．3 广义的势支持特征选择方法：GPSFM 2．3．1 类内离散度 2．3．2 广义的势支持特征选择方法 2．4 实验研究 2．4．1 真实数据 2．4．2 基因数据 2．4．3 人脸图像数据 2．5 本章小结第3章 具有特征排序功能的鲁棒性模糊聚类 3．1 引言 3．2 模糊c均值聚类方法 3．3 具有特征排序功能的模糊聚类方法 3．3．1 具有特征排序功能的FCA方法 3．3．2 基于几何意义的权参数的选取 3．4 实验研究 3．4．1 加噪的IRIS数据 3．4．2 加噪纹理图像数据集 3．4．3 真实数据集 3．5 本章小结第4章 基于语境距离度量的拉普拉斯*大间距判别准则 4．1 引言 4．2 线性拉普拉斯判别准则 4．3 基于语境距离度量的拉普拉斯*大间距判别准则 ． 4．3．1 CLMMC准则 4．3．2 CLMMC准则的QR分解法 4． 4语境距离度量的设定 4．5 实验研究 4．5．1 低维非线性流形空间距离度量学习 4．5．2 CLMMC：与CL-LLD内在联系 4．5．3 小样本问题 4．5．4 高维非线性流形空间小样本问题和距离度量学习 4．6 本章小结第5章 基于模糊*大散度差判别准则的聚类方法 5．1 引言 5．2 *大散度差判别准则 5．3 基于模糊*大散度差判别准则的聚类方法 5．3．1 模糊*大散度差判别准则 5．3．2 设定模糊*大散度判别准则中的参数 5．4 实验研究 5．4．1 基本的聚类功能 5．4．2 大数据聚类鲁棒性 5．4．3 特征提取 5．5 本章小结第6章 具有模糊聚类功能的双向二维无监督特征提取方法 6．1 引言 6．2 相关工作 6．2．1 *大间距判别分析方法：MMC 6．2．2 双向二维线性判别分析：(2D)ZLDA 6．3 具有模糊聚类功能的双向二维无监督特征提取方法：(2D)2UFFCA 6．3．1 矩阵模式的模糊*大间距判别准则：MFMMC 6．3．2 实现矩阵模式数据的双向特征提取 6．3．3 实现矩阵模式数据的模糊聚类 6．3．4 确定数据集D的模糊聚类中心 6．4 实验 6．4．1 测试基本的聚类能力 6．4．2 测试大数据集的聚类效果 6．4．3 测试特征提取能力 6．5 本章小结 第7章 基于局部加权均值的领域适应学习框架 7．1 引言 7．2 相关工作 7．2．1 *大均值差异：MMD 7．2．2 *大均值差异嵌入：MMDE 7．3 投影*大局部加权均值差异：PMWD 7．4 *大局部加权均值差异嵌入MWME 7．4．1 线性*大局部加权均值嵌入：LMWME 7．4．2 核化的*大局部加权均值嵌入方法：Ker-MWME 7．5 基于局部加权均值的领域学习框架：LDAF 7．5．1 LDAF MLC 7．5．2 LDAF—SVM 7．5．3 算法时间复杂度分析 7．6 实验 7．6．1 测试人造数据集 7．6．2 测试高维文本数据集 7．6．3 测试人脸数据集 7．7 本章小结第8章 基于矩阵模式的*小类内散度支持向量机 8．1 引言 8．2 *小类内散度支持向量机 8．3 基于矩阵模式的*小类内散度支持向量机 8．3．1 线性的矩阵模式*小类内散度支持向量机 8．3．2 非线性的基于矩阵模式的*小类内教度支持向量机 8．4 实验研究 8．4．1 矢量数据的矩阵模式分类 8．4．2 Ker-MCSVMsmatrix方法中使用V+的合理性 8．4．3 矩阵模式数据的分类 8．5 本章小结第9章 基于全局和局部保持的半监督支持向量机 9．1 引言 9．2 流形正则化框架 9．3 基于全局和局部保持的半监督支持向量机 9．3．1 线性的GLSSVMs方法 9．3．2 非线性的Ker-GLSSVMs方法 9．4 实验研究 9．4．1 人造团状数据 9．4．2 人造流形结构数据 9．4．3 UCI真实数据 9．4．4 图像数据 9．5 本章小结结束语参考文献-