实现增量ISOMAP算法，数据从三维降到二维，对Incremental Nonlinear Dimensionality Reduction By Manifold Learning 论文中的函数分别写在不同文件中

提出了一种采用拓扑学习神经网络进行度量学习和嵌入的框架。 为了强调常规嵌入方法（例如多维缩放和Isomap）在时间和空间上效率低下的问题，我们利用了拓扑学习神经网络（例如增长的神经气体和自组织增量）的增量训练和矢量量化能力。神经网络构造数据的表示形式。 然后用神经元的图相似度代替输入数据的成对相似度来近似嵌入。 在一个实验中，所提出的度量学习与支持向量机结合使用来解决半监督学习（SSL）问题。 结果表明，我们提出的方法提高了SSL实验中的分类精度。

经典流形算法等距映射（ISOMAP）和局部线性嵌入（LLE）可以对高光谱数据进行降维，但不能解决大尺度高光谱图像的流形降维难题。详细论述了ISOMAP和LLE在大尺度高光谱流形降维中遇到的问题，提出了一种基于增量等距映射（IISOMAP）和LLE结合的高光谱流形降维算法IISOMAP-LLE，并针对流形降维算法较线性降维算法最小噪声分离（MNF）可以更好地发掘出高光谱数据中的非线性结构的优点，通过AVIRIS和OMIS-II数据实验验证了算法的可行性和优越性，并证明了IISOMAP-LLE算法可