1、數(shù)據(jù)降維是模式識(shí)別、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等領(lǐng)域的一個(gè)關(guān)鍵科學(xué)問題。它利用線性或非線性變換將高維空間的數(shù)據(jù)映射到低維空間，從而便于后續(xù)分析。隨著數(shù)據(jù)采集技術(shù)、通信技術(shù)和計(jì)算機(jī)技術(shù)的飛速發(fā)展，數(shù)據(jù)的規(guī)模越來越大、維度也越來越高，這使得原有數(shù)據(jù)降維技術(shù)的運(yùn)算復(fù)雜度大大增加，甚至無法進(jìn)行。對(duì)此，從流形學(xué)習(xí)入手，深入研究基于流形學(xué)習(xí)的增量無監(jiān)督降維方法。論文的主要內(nèi)容有：
　　(1)針對(duì)批處理方式的近鄰保持嵌入(NeighborhoodPre

2、servingEmbedding，NPE)算法對(duì)于新增樣本計(jì)算復(fù)雜度高的問題，研究了增量近鄰保持嵌入(IncrementalNeighborhoodPreservingEmbedding，INPE)算法。該增量學(xué)習(xí)算法在新樣本不斷加入時(shí)，充分利用已有數(shù)據(jù)的部分處理結(jié)果，避免了由于新樣本加入導(dǎo)致的重復(fù)運(yùn)算問題，大大降低了計(jì)算復(fù)雜度，提高了處理速度。在AR、ORL、FERET人臉數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果驗(yàn)證了該算法的有效性和可行性。
　　(

3、2)二維局部保持投影(Two-dimensionalLocalityPreservingProjection，2DLPP)算法在處理大規(guī)模高維數(shù)據(jù)時(shí)，具有很高的時(shí)間和空間復(fù)雜度。對(duì)此，研究了基于模型合并的增量二維局部保持投影(Merging-basedIncrementalTwo-dimensionalLocalityPreservingProjection，M-I2DLPP)算法。M-I2DLPP算法通過建立與數(shù)據(jù)集相對(duì)應(yīng)的2DLPP