| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 引言 | 第10-28页 |
| ·论文的研究背景 | 第10-12页 |
| ·相关领域研究现状 | 第12-23页 |
| ·三维模型正规化处理 | 第13-14页 |
| ·三维模型特征描述算法 | 第14-18页 |
| ·三维模型检索标准 | 第18-20页 |
| ·三维模型检索系统 | 第20-22页 |
| ·相关性反馈技术 | 第22-23页 |
| ·论文的主要研究工作 | 第23-25页 |
| ·论文组织 | 第25-28页 |
| 第2章 三维模型特征描述算法MATE | 第28-47页 |
| ·本章引论 | 第28-29页 |
| ·模型正规化 | 第29-33页 |
| ·正规化处理基本步骤 | 第30页 |
| ·改进的PCA 方法 | 第30-32页 |
| ·投影方法 | 第32-33页 |
| ·特征描述算子 | 第33-39页 |
| ·等角距的傅立叶算子 | 第33-36页 |
| ·切比雪夫算子 | 第36-37页 |
| ·改进的深度缓存算子 | 第37-39页 |
| ·MATE 算法 | 第39-40页 |
| ·实验分析 | 第40-46页 |
| ·本章小结 | 第46-47页 |
| 第3章 基于先验知识的特征向量合成算法 | 第47-66页 |
| ·本章引论 | 第47-48页 |
| ·特征向量评估分析 | 第48-53页 |
| ·模型库整体评估 | 第48-50页 |
| ·模型分类评估 | 第50-53页 |
| ·相关算法研究 | 第53-55页 |
| ·基于纯度权重的特征向量合成算法 | 第53-54页 |
| ·基于信息熵的特征向量选择算法 | 第54-55页 |
| ·基于先验知识的算法 | 第55-57页 |
| ·先验知识 | 第55-56页 |
| ·特征向量合成算法 | 第56-57页 |
| ·实验分析 | 第57-64页 |
| ·模型库评价分析 | 第57-58页 |
| ·模型类评价分析 | 第58-62页 |
| ·单个模型评价分析 | 第62-64页 |
| ·本章小结 | 第64-66页 |
| 第4章 基于多层次的相关性反馈算法 | 第66-86页 |
| ·本章引论 | 第66-67页 |
| ·基于多层次的相关性反馈算法 | 第67-70页 |
| ·三维模型表示形式 | 第67-68页 |
| ·算法流程 | 第68-70页 |
| ·相关性信息更新 | 第70-71页 |
| ·权重更新 | 第71-73页 |
| ·相似距离 | 第73-75页 |
| ·相似距离归一化 | 第73-74页 |
| ·相似距离计算 | 第74-75页 |
| ·实验分析 | 第75-85页 |
| ·模型分值选择 | 第76页 |
| ·实验结果 | 第76-85页 |
| ·本章小结 | 第85-86页 |
| 第5章 基于长期学习机制的SVM ACTIVE LEARNING 相关性反馈算法 | 第86-117页 |
| ·本章引论 | 第86-88页 |
| ·相关算法研究 | 第88-91页 |
| ·Elad2001 算法 | 第88-89页 |
| ·SpaceWarping 算法 | 第89-90页 |
| ·Leifman2005 算法 | 第90-91页 |
| ·SVM ACTIVE LEARNING 算法 | 第91-102页 |
| ·支持向量机 | 第91-93页 |
| ·基于SVM 的主动学习算法 | 第93-96页 |
| ·实验分析 | 第96-102页 |
| ·MODELSEEK 在线检索系统 | 第102-104页 |
| ·基于长期学习机制的相关性反馈算法 | 第104-116页 |
| ·特征空间与语义空间 | 第104-105页 |
| ·记录用户检索历史 | 第105-106页 |
| ·语义空间的模型表示 | 第106-109页 |
| ·实验分析 | 第109-116页 |
| ·本章小结 | 第116-117页 |
| 第6章 结论和展望 | 第117-120页 |
| ·全文总结 | 第117-118页 |
| ·今后工作的展望 | 第118-120页 |
| 参考文献 | 第120-128页 |
| 致谢 | 第128-129页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第129-130页 |