论文目录 | |
摘要 | 第1-6页 |
ABSTRACT | 第6-9页 |
符号对照表 | 第9-10页 |
缩略语对照表 | 第10-13页 |
第一章 绪论 | 第13-19页 |
1.1 研究背景和意义 | 第13页 |
1.2 国内外研究现状 | 第13-17页 |
1.2.1 贝叶斯方法的起源 | 第13-14页 |
1.2.2 非参数贝叶斯方法 | 第14-17页 |
1.3 本文的创新点 | 第17页 |
1.4 本文研究内容的章节安排 | 第17-19页 |
第二章 贝叶斯模型的推理方法 | 第19-25页 |
2.1 变分推理方法 | 第19-20页 |
2.2 蒙特卡洛方法 | 第20-21页 |
2.3 吉布斯采样(Gibbs Sampling) | 第21-23页 |
2.4 本章小结 | 第23-25页 |
第三章 贝叶斯框架下的模型构建 | 第25-43页 |
3.1 数据相关性降维因子分析模型 | 第25-28页 |
3.1.1 降维技术 | 第25-27页 |
3.1.2 因子分析的描述 | 第27页 |
3.1.3 因子分析模型 | 第27-28页 |
3.2 稀疏编码相似性保持监督项 | 第28-35页 |
3.2.1 相似性测度计算 | 第28-31页 |
3.2.2 稀疏编码与图像重构 | 第31页 |
3.2.3 重构算法质量评价指标 | 第31-33页 |
3.2.4 奇异值分解 | 第33-34页 |
3.2.5 相似性保持项模型 | 第34-35页 |
3.3 狄利克雷过程 | 第35-39页 |
3.3.1 狄利克雷(DP)过程 | 第35-36页 |
3.3.2 中国餐馆过程 | 第36-37页 |
3.3.3 基于截棍构造(stick-breaking)的狄利克雷(DP)过程 | 第37-38页 |
3.3.4 狄利克雷混合(DPM)模型 | 第38页 |
3.3.5 基于截棍构造(stick-breaking)的狄利克雷混合(DPM)模型 | 第38-39页 |
3.4 基于数据增广技术的隐变量支持向量机(LVSVM)模型 | 第39-41页 |
3.4.1 数据增广技术 | 第39-40页 |
3.4.2 隐变量支持向量机分类器(LVSVM) | 第40-41页 |
3.5 本章小结 | 第41-43页 |
第四章 最大边缘相似性保持因子分析(MMSPFA)分类模型 | 第43-55页 |
4.1 MMSPFA模型的构建与推导 | 第43-47页 |
4.2 MMSPFA分类器的识别过程 | 第47-49页 |
4.3 MMSPFA分类器的实验及结果分析 | 第49-55页 |
4.3.1 UCI Benchmark 数据识别性能实验 | 第49-50页 |
4.3.2 高分辨距离像数据(HRRP)识别性能实验 | 第50-55页 |
第五章 狄利克雷混合最大边缘相似性保持因子分析(DPM-MMSPFA)分类模型 | 第55-65页 |
5.1 DPM-MMSPFA模型的构建与推导 | 第55-59页 |
5.2 DPM-MMSPFA分类器的识别过程 | 第59-61页 |
5.3 DPM-MMSPFA分类器的实验及结果分析 | 第61-65页 |
5.3.1 实验设置 | 第61页 |
5.3.2 UCI Benchmark数据聚类分析和识别实验 | 第61-64页 |
5.3.3 高分辨距离像(HRRP)的识别性能实验 | 第64-65页 |
第六章 总结与展望 | 第65-67页 |
6.1 本文工作总结 | 第65页 |
6.2 未来研究方向 | 第65-67页 |
参考文献 | 第67-71页 |
致谢 | 第71-73页 |
作者简介 | 第73-74页 |