基于概率神经网络的图匹配算法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 图匹配的研究现状 | 第9-12页 |
| 1.2.2 概率神经网络的研究现状 | 第12-13页 |
| 1.3 研究内容及组织结构 | 第13-16页 |
| 2 图匹配与概率神经网络的相关基础理论 | 第16-28页 |
| 2.1 图论 | 第16-21页 |
| 2.1.1 图的基本概念 | 第16-18页 |
| 2.1.2 XML格式文件 | 第18-19页 |
| 2.1.3 图匹配的定义 | 第19-21页 |
| 2.2 概率神经网络 | 第21-28页 |
| 2.2.1 概率神经网络基本结构 | 第21-23页 |
| 2.2.2 Parzen窗估计及贝叶斯决策理论 | 第23-25页 |
| 2.2.3 概率神经网络分类算法 | 第25-28页 |
| 3 特征提取与分类器设计 | 第28-36页 |
| 3.1 特征提取 | 第28-32页 |
| 3.1.1 拓扑特征提取 | 第30-31页 |
| 3.1.2 非拓扑特征提取 | 第31-32页 |
| 3.2 分类器设计 | 第32-36页 |
| 3.2.1 分类器设计概述 | 第32-33页 |
| 3.2.2 概率神经网络分类器 | 第33-36页 |
| 4 基于竞争的概率神经网络图匹配算法 | 第36-48页 |
| 4.1 CPNN算法理论 | 第36-38页 |
| 4.2 CPNN参数的优化策略 | 第38-42页 |
| 4.2.1 基于遗传算法的参数优化 | 第39-42页 |
| 4.3 实验结果与分析 | 第42-48页 |
| 4.3.1 数据集描述 | 第43-44页 |
| 4.3.2 基于CPNN的实验结果与分析 | 第44-48页 |
| 5 基于学习矢量量化的概率神经网络图匹配算法 | 第48-56页 |
| 5.1 LVQ基本结构 | 第48-49页 |
| 5.2 LVQ算法理论 | 第49-50页 |
| 5.3 LVQ算法的改进 | 第50-53页 |
| 5.4 实验结果与分析 | 第53-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士期间的研究成果及获奖情况 | 第64页 |
