| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号说明 | 第14-15页 |
| 第1章 绪论 | 第15-25页 |
| 1.1 引言 | 第15页 |
| 1.2 研究问题 | 第15-17页 |
| 1.3 研究背景与现状 | 第17-22页 |
| 1.4 本文工作及意义 | 第22-23页 |
| 1.5 本文结构安排 | 第23-25页 |
| 第2章 相关研究和技术 | 第25-39页 |
| 2.1 引言 | 第25页 |
| 2.2 贝叶斯框架 | 第25-31页 |
| 2.2.1 贝叶斯公式 | 第26页 |
| 2.2.2 先验与正则 | 第26-28页 |
| 2.2.3 先验选择 | 第28-29页 |
| 2.2.4 概率图模型 | 第29-30页 |
| 2.2.5 贝叶斯推断 | 第30-31页 |
| 2.3 期望最大化算法 | 第31-33页 |
| 2.4 二分类算法的拓展方式 | 第33-36页 |
| 2.4.1 一对多和一对一的拓展 | 第34-35页 |
| 2.4.2 势能比较的拓展 | 第35-36页 |
| 2.5 本章小节 | 第36-39页 |
| 第3章 多分类概率分类向量机模型与算法 | 第39-49页 |
| 3.1 引言 | 第39页 |
| 3.2 多分类概率分类向量机模型说明 | 第39-44页 |
| 3.2.1 从二分类至多分类的拓展 | 第39-42页 |
| 3.2.2 概率图模型及全概率公式 | 第42-44页 |
| 3.3 自顶向下的算法:mPCVM_1 | 第44-47页 |
| 3.3.1 mPCVM_1的Maximization步 | 第44-45页 |
| 3.3.2 mPCVM_1的Expectation步 | 第45-46页 |
| 3.3.3 mPCVM_1算法流程说明 | 第46-47页 |
| 3.4 本章小结 | 第47-49页 |
| 第4章 自底向上的算法:mPCVM_2 | 第49-57页 |
| 4.1 引言 | 第49页 |
| 4.2 mPCVM_2的type-Ⅱ型似然 | 第49-50页 |
| 4.3 基于构建框架的mPCVM_2算法流程 | 第50-53页 |
| 4.4 mPCVM_1和mPCVM_2的异同对比 | 第53-55页 |
| 4.4.1 两个算法的相同之处 | 第53-55页 |
| 4.4.2 两个算法的不同之处 | 第55页 |
| 4.5 本章小结 | 第55-57页 |
| 第5章 实验分析 | 第57-73页 |
| 5.1 引言 | 第57页 |
| 5.2 2个人工合成数据集 | 第57-62页 |
| 5.2.1 Overlap数据集 | 第57-60页 |
| 5.2.2 Overclass数据集 | 第60-62页 |
| 5.3 8个Benchmark数据集 | 第62-67页 |
| 5.3.1 数据集和对比算法说明 | 第62页 |
| 5.3.2 评价指标说明 | 第62-63页 |
| 5.3.3 实验结果及分析 | 第63-66页 |
| 5.3.4 统计显著性检验 | 第66-67页 |
| 5.4 在不同类别数下的表现 | 第67-68页 |
| 5.5 算法复杂度分析 | 第68-70页 |
| 5.6 ALOI数据集 | 第70-71页 |
| 5.7 本章小结与算法选择建议 | 第71-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 附录A 截断高斯的共轭先验 | 第79-81页 |
| 附录B 公式(3.32)的证明 | 第81-83页 |
| 致谢 | 第83-85页 |
| 在读期间发表的学术论文与取得的研究成果 | 第85页 |