1. 1. 毕业设计（论文）的内容、要求、设计方案、规划等
流形学习的目的是在不依赖诸多先验假设（如观测变量之间相互独立，分布近似正态等）的情况下，直接寻求隐藏在高维观察空间中的低维非线性数据结构与性质，完成或协助完成数据挖掘、机器学习、模式分类等各项任务。目前，流形学习主要集中在非监督学习领域。非监督学习要解决的问题可分为两大类：一是寻找可靠的特征提取函数，提取数据集的可靠特征，并且在面临未见过的数据时保持特征稳定。解决此问题的非监督学习通常称为特征提取；二是寻找对数据集的描述模型，即建立数据分布模型（可能是非常粗糙的）。流形学习在这两方面均有涉及。等容映射(ISOMAP)和局部线性嵌入(LLE)是最常用的两种非监督流形学习方法。Isomap 算法主要使用近邻图中的最短路径得到近似的测地线距离，代替了不能表示内在流形结构的Euclidean 距离，进而发现嵌入在高维空间的低维坐标。LLE算法能够实现高维输入数据点映射到一个全局低维坐标系, 同时保留了邻接点之间的关系, 这样数据样本固有的几何结构就能够得到保留。这两种方法通过数据样本两两之间的关系来体现数据流形的性质。该课题是想提出二种新的无监督的鉴别投影方法。基于图像矩阵双方向的无监督鉴别投影和基于图像矩阵双方向的最大间距鉴别投影。这种新的方法通过邻接图来考虑高维图像空间中流形结构的。这二种鉴别投影主要是依据相应鉴别准则，针对图像矩阵的行方向和列方向同时进行维数压缩，从而得到相应的特征矩阵。
关键词：无监督特征提取；人脸识别；流形学习
2. 参考文献（不低于12篇）
1.李勇智，杨静宇，毛洪奔:基于局部和非局部散度理论的一种新的特征提取方法
IEEE Proceedings of the 27th Chinese Control Conference , Kunming,Yunnan, China July 16-18, 2008, PP: 436440
2. Y. Z. Li, Z. Y. Li, Wu S.S. and Yang J.Y.. A Novel Unsupervised Feature Extraction Based on Image Matrix IEEE Proceedings of the 3rd International Conferences on Cybernetics Intelligent Systems and Robotics, Automation Mechatronics, Chengdu, China 2008, pp: 843848
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
