| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 插图 | 第11-15页 |
| 表格 | 第15-16页 |
| 第一章 绪论 | 第16-25页 |
| ·引言 | 第16-19页 |
| ·统计模式识别 | 第19-20页 |
| ·统计形状分析在模式识别中的作用 | 第20-21页 |
| ·模式识别中的无监督学习 | 第21-22页 |
| ·本文的研究内容与章节安排 | 第22-25页 |
| 第二章 统计形状分析的理论和方法 | 第25-46页 |
| ·引言 | 第25页 |
| ·国内外研究现状 | 第25-27页 |
| ·主动轮廓线模型 | 第27-29页 |
| ·主动形状模型 | 第29-32页 |
| ·地标点 | 第30-31页 |
| ·主动形状模型的建立 | 第31-32页 |
| ·形状描述与特征提取 | 第32-44页 |
| ·形状的描述 | 第33-34页 |
| ·形状描述的傅立叶方法 | 第34-35页 |
| ·保持相位信息的傅立叶函数归一化 | 第35-37页 |
| ·基于概率模型的形状编辑距离 | 第37-44页 |
| ·小结 | 第44-46页 |
| 第三章 微分流形形状分析的理论和方法 | 第46-62页 |
| ·引言 | 第46-47页 |
| ·流形的概念 | 第47-50页 |
| ·带参数的轮廓描述 | 第47-48页 |
| ·切线，方向函数和曲率函数 | 第48-50页 |
| ·基于微分流形的形状空间构建 | 第50-57页 |
| ·基于方向函数形状空间构建 | 第50-55页 |
| ·基于曲率函数的形状空间构建 | 第55-57页 |
| ·形状之间的测地线路径 | 第57-61页 |
| ·小结 | 第61-62页 |
| 第四章 有限线性混合模型的无监督学习 | 第62-90页 |
| ·引言 | 第62-64页 |
| ·无监督学习已有算法 | 第64-67页 |
| ·分层的方法 | 第64-65页 |
| ·分割的方法 | 第65-66页 |
| ·图论的方法 | 第66-67页 |
| ·混合模型的无监督学习 | 第67-69页 |
| ·混合模型定义 | 第68页 |
| ·混合模型的可辨识性 | 第68-69页 |
| ·有限混合模型密度的参数估计方法 | 第69-73页 |
| ·参数估计的相关方法 | 第69-71页 |
| ·有限线性混合模型密度参数估计的极大似然方法 | 第71-73页 |
| ·有限线性混合模型参数估计的期望最大化算法 | 第73-80页 |
| ·混合模型参数估计的期望最大化算法 | 第75-76页 |
| ·基于多维高斯混合模型的期望最大化算法 | 第76-77页 |
| ·基于多维t混合模型的期望最大化算法 | 第77-80页 |
| ·实验结果 | 第80-90页 |
| 第五章 混合模型分支数的选择 | 第90-122页 |
| ·引言 | 第90-91页 |
| ·解决模型分支数的研究现状 | 第91-95页 |
| ·似然函数法 | 第92-94页 |
| ·其他方法 | 第94-95页 |
| ·基于次胜者受罚的混合模型分支数的选择 | 第95-101页 |
| ·传统的竞争学习 | 第95-96页 |
| ·次胜者受罚的竞争学习 | 第96-99页 |
| ·次胜者受罚的有约束竞争学习算法 | 第99-101页 |
| ·随机的次胜者受罚的竞争学习算法 | 第101页 |
| ·基于次胜者受罚的混合模型分支数选择的算法 | 第101-106页 |
| ·加权极大似然估计 | 第101-104页 |
| ·基于加权极大似然估计的次胜者受罚期望最大化算法 | 第104-106页 |
| ·基于高斯混合模型的次胜者受罚期望最大化算法 | 第106-108页 |
| ·多维高斯混合模型的加权似然函数 | 第106-107页 |
| ·多维高斯混合模型的次胜者受罚期望最大化算法 | 第107-108页 |
| ·基于t混合模型分支数估计的次胜者受罚期望最大化算法 | 第108-111页 |
| ·多维t混合模型的加权似然函数 | 第109-110页 |
| ·多维t混合模型的次胜者受罚期望最大化算法 | 第110-111页 |
| ·实验结果 | 第111-122页 |
| 第六章 总结 | 第122-124页 |
| 参考文献 | 第124-136页 |
| 攻读博士学位期间发表的论文 | 第136-138页 |
| 攻读博士学位期间所参加的科研项目 | 第138-140页 |
| 致谢 | 第140页 |