维数简约是处理这些高维数据的一个有效手段,可以有效地避免“维数灾难”,发现高维数据中的内在规律性。其目的是：在不改变原始高维数据的本质结构的前提下,尽量减少或去除冗余信息,减少原始数据的维数,从而达到维数简约的目的。通过现有的线性简约方法分析,能够得出线性高维数据的真实几何结构。由于现实世界中的数据大多是非线性的,我们需要可以有效处理非线性高维数据的维数简约方法,然而传统的线性简约方法的线性本质决定,此类方法只能用来发现高维数据中的全局线性结构,不能有效的找出高维数据中的非线性结构。流形学习方法在此背景下应运而生,用来解决分析非线性高维数据时存在的难题,能够有效地寻找非线性高维数据内部的几何结构。等距特征映射算法是一种典型的全局优化流形学习算法,它的嵌入结果可以反映出高维数据样本之间的流形距离,能够得到比较理想的嵌入结果。该算法的一个重要问题是所需计算时间多。针对这个问题,本文提出通过模糊C-均值聚类方法选取具有代表性的界标点,来改进等距特征映射算法。先利用模糊聚类算法将高维数据样本集进行简单的分类,求出各类的聚类中心并作为等距映射算法的界标样本点,构造距离矩阵,最后通过LMDS方法求解最后的嵌入结果。另外,ISOMAP算法是否能准确地得到高维数据集合的低维嵌入结果,主要依赖于邻域点个数的选取,如何选取合适的邻域点,仍是一个开放性的问题。结合模糊聚类理论及图的相关理论,本文提出了试探性邻域值估计算法TNVE,以确定ISOMAP算法的参数—邻域值。