基于多变量信息瓶颈的多特征聚类算法
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 1. 绪论 | 第8-16页 |
| 1.1. 研究背景与现状 | 第8-13页 |
| 1.1.1. 多变量信息瓶颈的研究背景 | 第8-10页 |
| 1.1.2. 多特征处理的研究背景 | 第10-13页 |
| 1.2. 本文工作概述 | 第13-14页 |
| 1.3. 本文内容与结构 | 第14-16页 |
| 2. 背景知识 | 第16-29页 |
| 2.1. 相关定义 | 第16-20页 |
| 2.1.1. 符号定义 | 第16页 |
| 2.1.2. 熵 | 第16-17页 |
| 2.1.3. 互信息 | 第17-19页 |
| 2.1.4. KL 距离与 JS 距离 | 第19页 |
| 2.1.5. 贝叶斯网络与多信息 | 第19-20页 |
| 2.2. IB 理论 | 第20-24页 |
| 2.2.1. 率失真原理 | 第20-21页 |
| 2.2.2. IB 理论 | 第21-23页 |
| 2.2.3. 相关变量 | 第23-24页 |
| 2.3. 多变量信息瓶颈理论 | 第24-29页 |
| 2.3.1. Parallel IB 算法 | 第25-26页 |
| 2.3.2. Symmetric IB 算法 | 第26-27页 |
| 2.3.3. Triplet IB 算法 | 第27-29页 |
| 3. 基于多变量信息瓶颈的 mf-MIB 算法 | 第29-36页 |
| 3.1. mf-MIB 算法思想 | 第29-30页 |
| 3.2. mf-MIB 算法描述及分析 | 第30-33页 |
| 3.2.1. mf-MIB 算法的目标函数 | 第30-31页 |
| 3.2.2. 提取-合并优化过程 | 第31-33页 |
| 3.2.3. 复杂度分析 | 第33页 |
| 3.3. 视觉词袋模型 | 第33-36页 |
| 4. 实验与性能分析 | 第36-46页 |
| 4.1. 实验设计 | 第36-39页 |
| 4.1.1. 实验数据及预处理 | 第36-37页 |
| 4.1.2. 对比算法 | 第37-38页 |
| 4.1.3. 评估方法 | 第38-39页 |
| 4.2. 图像数据集的实验 | 第39-42页 |
| 4.2.1. 与原 IB 算法的对比 | 第39-41页 |
| 4.2.2. 与其它聚类算法的对比 | 第41-42页 |
| 4.3. 视频数据集的实验 | 第42-45页 |
| 4.3.1. 与原 IB 算法的对比 | 第42-44页 |
| 4.3.2. 与其它聚类算法的对比 | 第44-45页 |
| 4.4. 收敛性分析 | 第45-46页 |
| 总结与展望 | 第46-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51-52页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第52页 |
