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最大间距判别准则

 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最大间距判别准则  ．

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 基于模糊最大散度差判别准则的聚类方法

 5．1 引言 

 5．2 最大散度差判别准则

 5．3 基于模糊最大散度差判别准则的聚类方法

5．3．1 模糊最大散度差判别准则 

5．3．2 设定模糊最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 最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 矩阵模式的模糊最大间距判别准则：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 最大均值差异：MMD

7．2．2 最大均值差异嵌入：MMDE

 7．3 投影最大局部加权均值差异：PMWD

 7．4 最大局部加权均值差异嵌入MWME

7．4．1 线性最大局部加权均值嵌入：LMWME

7．4．2 核化的最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 基于矩阵模式的最小类内散度支持向量机

 8．1 引言

 8．2 最小类内散度支持向量机

 8．3 基于矩阵模式的最小类内散度支持向量机

8．3．1 线性的矩阵模式最小类内散度支持向量机

8．3．2 非线性的基于矩阵模式的最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-

《基于智能计算的降维技术研究与应用》论述了智能计算中降维技术的建模思想和仿真方法，给出了运用最新的建模方法和理论对高维数据进行降维预处理的仿真计算的过程，向读者展示了在传统技术的基础上，如何通过结合其他智能计算的方法构造具有较强鲁棒性的特征降维方法，使读者了解特征降维技术在统计学意义下的一般演化规律。

皋军专著的《基于智能计算的降维技术研究与应用》以简洁易懂的语言描述了特征降维技术建模的理论基础和建模过程。本书可供智能控制、计算机等领域中的教师、研究生及其他相关人员参考。

目前，特征降维技术作为一种关键的数据预处理技术被广泛地加以研究，并在不同的实际运用领域得到了较为成功的应用，但随着新理论和新技术的不断发展，特别是大量新兴的智能识别应用领域的需求，对特征降维技术提出了更高的要求，使得现有的特征降维技术面临更大的挑战。比如：如何提高基于支持向量机的特征选择方法的泛化能力和鲁棒性；如何更好地实现特征提取技术与模糊聚类技术的有机结合，以提高特征降维方法的鲁棒性；如何提高特征降维方法中的距离度量学习的有效性；如何将特征降维方法中的关键技术和理论运用到支持向量机中，以提高支持向量机的泛化能力和鲁棒性；如何结合张量理论提高特征降维的效果；如何在具有明显不同分布的源域和目标域实现提取技术等。为此，皋军专著的《基于智能计算的降维技术研究与应用从三个部分对上述问题进行描述和研究。