基于信息理论的数字模式识别及应用研究
| 1 绪论 | 第1-23页 |
| ·课题来源与研究意义 | 第14-16页 |
| ·国内外研究现状分析 | 第16-21页 |
| ·统计模式识别 | 第16-19页 |
| ·句法模式识别 | 第19页 |
| ·模糊模式识别 | 第19页 |
| ·人工神经网络识别 | 第19-20页 |
| ·人工智能方法 | 第20-21页 |
| ·研究目标与研究内容 | 第21-22页 |
| ·研究目标 | 第21页 |
| ·研究内容 | 第21-22页 |
| ·拟解决的关键问题与创新之处 | 第22-23页 |
| ·拟解决的关键问题 | 第22页 |
| ·创新之处 | 第22-23页 |
| 2 基础理论 | 第23-48页 |
| ·基本概念 | 第23-27页 |
| ·信息的基本概念 | 第23-24页 |
| ·信息的特性 | 第24-25页 |
| ·模式识别的基本概念 | 第25-26页 |
| ·模式识别系统 | 第26-27页 |
| ·离散信源及其信息度量 | 第27-31页 |
| ·离散信源的数学模型 | 第27页 |
| ·通信系统基本模型 | 第27-28页 |
| ·自信息量 | 第28-30页 |
| ·信息熵 | 第30-31页 |
| ·离散信道及其信息传递 | 第31-34页 |
| ·离散信道 | 第31页 |
| ·互信息量 | 第31-34页 |
| ·连续信源及其信息度量 | 第34-37页 |
| ·连续信源的数学模型 | 第35页 |
| ·连续信源的信息度量 | 第35-37页 |
| ·贝叶斯决策理论 | 第37-41页 |
| ·正态模式的MBC理论 | 第41-48页 |
| ·正态模式的MBC判决规则 | 第41-43页 |
| ·正态模式分类的误判概率 | 第43-45页 |
| ·误判概率上界 | 第45-48页 |
| 3 信息模式测度 | 第48-72页 |
| ·引言 | 第48页 |
| ·交互距离测度 | 第48-53页 |
| ·交互熵理论 | 第49-50页 |
| ·对称交互熵 | 第50-53页 |
| ·关联信息测度 | 第53-55页 |
| ·关联信息系数 | 第53-55页 |
| ·关联信息测度 | 第55页 |
| ·信息距离测度 | 第55-58页 |
| ·信息系数测度 | 第58-63页 |
| ·离散量 | 第59-60页 |
| ·离散量的性质 | 第60页 |
| ·信息系数测度 | 第60-61页 |
| ·改进信息系数测度 | 第61-63页 |
| ·模糊熵测度 | 第63-68页 |
| ·模糊熵 | 第63-65页 |
| ·模糊绝对熵测度 | 第65-67页 |
| ·模糊相对熵测度 | 第67-68页 |
| ·模糊交互熵测度 | 第68-72页 |
| ·模糊交互熵 | 第68-69页 |
| ·模糊交互熵测度 | 第69-72页 |
| 4 信息特征压缩 | 第72-117页 |
| ·引言 | 第72-74页 |
| ·基于离差阵判据的信息特征压缩 | 第74-78页 |
| ·离差阵判据 | 第74-75页 |
| ·基于离差阵判据的信息特征压缩 | 第75-78页 |
| ·基于概率距离判据的信息特征压缩 | 第78-83页 |
| ·概率距离判据 | 第78-80页 |
| ·基于概率距离判据的信息特征压缩 | 第80-83页 |
| ·基于散度判据的信息特征压缩 | 第83-86页 |
| ·散度判据 | 第83-84页 |
| ·基于散度判据的信息特征压缩 | 第84-86页 |
| ·基于IEC的信息特征压缩 | 第86-89页 |
| ·信息熵判据 | 第86-87页 |
| ·基于IEC的信息特征压缩 | 第87-89页 |
| ·基于SCEC的信息特征压缩 | 第89-95页 |
| ·对称交互熵判据 | 第89-90页 |
| ·基于SCEC的信息特征压缩 | 第90-92页 |
| ·实例分析 | 第92-95页 |
| ·结论 | 第95页 |
| ·离散K-L变换的信息特征分析 | 第95-101页 |
| ·优化理论模型 | 第95-96页 |
| ·DKLT的信息特征分析 | 第96-99页 |
| ·测绘应用模型 | 第99页 |
| ·算例分析 | 第99-100页 |
| ·结论 | 第100-101页 |
| ·基于信息理论的PCA特征压缩算法 | 第101-109页 |
| ·PC的几何解释 | 第101-102页 |
| ·一种新的基于信息理论的PCA特征压缩算法 | 第102-104页 |
| ·算例分析 | 第104-106页 |
| ·结论 | 第106页 |
| ·PCA扩展研究 | 第106-109页 |
| ·基于偏回归分析的信息特征压缩 | 第109-117页 |
| ·主成份回归 | 第109-111页 |
| ·PLS回归的建模思想 | 第111-112页 |
| ·基于PLS的信息特征压缩算法 | 第112-114页 |
| ·实例分析 | 第114-116页 |
| ·结论 | 第116-117页 |
| 5 DPR算法研究 | 第117-142页 |
| ·引言 | 第117页 |
| ·信息聚类算法 | 第117-124页 |
| ·信息系数测度 | 第117-118页 |
| ·基于ICM的信息聚类算法 | 第118-119页 |
| ·改进的信息聚类算法 | 第119-121页 |
| ·算例分析 | 第121-124页 |
| ·结论 | 第124页 |
| ·基于OEW的数字模式识别算法 | 第124-132页 |
| ·客观熵权(OEW)的确定 | 第125-126页 |
| ·数据加权规格化 | 第126-127页 |
| ·确定模式评价准则 | 第127-128页 |
| ·数字模式分类与识别 | 第128-129页 |
| ·实例分析 | 第129-131页 |
| ·结论 | 第131-132页 |
| ·数据信息的关联模式识别算法 | 第132-136页 |
| ·FRW的构造 | 第132-133页 |
| ·确定关联度 | 第133-134页 |
| ·数据预处理 | 第134页 |
| ·关联模式识别算法 | 第134页 |
| ·应用举例 | 第134-136页 |
| ·结论 | 第136页 |
| ·基于PLS的数字模式识别算法 | 第136-142页 |
| ·PLS回归的基本思想 | 第137页 |
| ·基于PLS的数字模式识别算法 | 第137-139页 |
| ·算例分析 | 第139-140页 |
| ·结论 | 第140-142页 |
| 6 主要研究成果和有待进一步研究的方向 | 第142-144页 |
| ·主要研究成果 | 第142-143页 |
| ·有待进一步研究的方向 | 第143-144页 |
| 参考文献 | 第144-148页 |
| 攻读博士期间主要成果 | 第148-149页 |
| 致谢 | 第149页 |
