| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第一章 绪论 | 第11-15页 |
| ·研究意义与研究现状 | 第11-12页 |
| ·有限混合模型介绍 | 第12-13页 |
| ·本文主要工作与结构安排 | 第13-15页 |
| 第二章 广义GAMMA混合模型及其参数估计 | 第15-22页 |
| ·广义GAMMA混合模型的定义 | 第15-16页 |
| ·EM算法及在高斯混合模型参数估计中的应用 | 第16-18页 |
| ·广义GAMMA混合模型的EM算法参数估计 | 第18-21页 |
| ·E步 | 第18页 |
| ·M步 | 第18-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 基于PSOEM算法的广义GAMMA混合模型参数估计 | 第22-35页 |
| ·PSO算法介绍 | 第22-24页 |
| ·概述 | 第22页 |
| ·基本微粒群算法 | 第22-24页 |
| ·PSO算法的改进 | 第24-26页 |
| ·带有惯性因子的改进微粒群算法 | 第24-25页 |
| ·变学习因子的改进微粒群算法 | 第25-26页 |
| ·带收缩因子的改进微粒群算法 | 第26页 |
| ·PSO算法应用于广义GAMMA混合模型的参数估计 | 第26-28页 |
| ·PSO算法改进仿真分析 | 第28-33页 |
| ·惯性权重设置为随机 | 第28-29页 |
| ·惯性权重设置为线性递减 | 第29页 |
| ·惯性权重设置为自适应 | 第29-30页 |
| ·变换学习因子的PSO算法 | 第30-32页 |
| ·各种权重的比较 | 第32-33页 |
| ·PSOEM算法与随机初始化EM算法性能比较 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 最小信息长度准则MML | 第35-58页 |
| ·MML简介 | 第35页 |
| ·MML理论推导 | 第35-37页 |
| ·MML理论运用于无监督学习 | 第37-47页 |
| ·先验的设定 | 第39-46页 |
| ·FISHER信息的计算 | 第46-47页 |
| ·MML与其它准则的比较 | 第47-49页 |
| ·AIC准则 | 第47页 |
| ·BIC准则 | 第47-48页 |
| ·MDL准则 | 第48-49页 |
| ·仿真分析 | 第49-57页 |
| ·各种先验设定情况下,MML准则的性能表现 | 第49-52页 |
| ·MML准则与其它准则的性能比较仿真 | 第52页 |
| ·三分量广义GAMMA混合分布合成数据的参数估计仿真 | 第52-53页 |
| ·四分量广义GAMMA混合分布合成数据的参数估计仿真 | 第53-56页 |
| ·SAR图像数据的参数估计仿真 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 结论与展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第64页 |
