模式分类中概率神经网络算法的研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-15页 |
| 1.1.1 研究背景 | 第10-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 研究现状 | 第15-16页 |
| 1.3 论文的主要工作和内容安排 | 第16-17页 |
| 第2章 贝叶斯决策相关理论 | 第17-24页 |
| 2.1 贝叶斯公式 | 第17-19页 |
| 2.2 类条件概率密度的估计 | 第19-21页 |
| 2.2.1 最大似然估计 | 第19-20页 |
| 2.2.2 贝叶斯估计 | 第20-21页 |
| 2.3 非参数化方法 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 概率神经网络 | 第24-33页 |
| 3.1 理论基础 | 第24-25页 |
| 3.2 基本模型 | 第25-27页 |
| 3.3 实现模式分类 | 第27-29页 |
| 3.4 应用实例 | 第29-32页 |
| 3.4.1 PNN算法用于图像二值化 | 第29-30页 |
| 3.4.2 程序实现 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 概率神经网络算法的改进 | 第33-40页 |
| 4.1 PNN算法不足之处 | 第33-34页 |
| 4.2 在PNN算法基础上的改进 | 第34-36页 |
| 4.3 改进措施 | 第36-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第5章 实验和分析 | 第40-51页 |
| 5.1 实验数据 | 第40-43页 |
| 5.2 验证算法性能 | 第43-47页 |
| 5.3 参数分析 | 第47-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 本文总结 | 第51-52页 |
| 6.2 下一步的研究展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 作者简介及科研成果 | 第56-57页 |
| 致谢 | 第57-58页 |
