非高斯混合模型的变分学习算法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第9-12页 |
| 第一章 绪论 | 第12-23页 |
| 1.1 有限概率混合模型的研究背景和意义 | 第12-13页 |
| 1.2 有限概率混合模型的研究现状 | 第13-20页 |
| 1.2.1 概率混合建模现状 | 第13-16页 |
| 1.2.2 参数估计研究现状 | 第16-18页 |
| 1.2.3 模型选择研究现状 | 第18-20页 |
| 1.3 本论文的主要研究内容及创新工作 | 第20-21页 |
| 1.4 章节安排 | 第21-23页 |
| 第二章 有限概率混合模型及其学习方法 | 第23-37页 |
| 2.1 引言 | 第23-24页 |
| 2.2 有限概率混合模型的定义 | 第24-25页 |
| 2.3 有限概率混合模型的参数学习 | 第25-34页 |
| 2.3.1 ML估计 | 第25-27页 |
| 2.3.2 EM算法 | 第27-30页 |
| 2.3.3 VB-EM算法 | 第30-34页 |
| 2.4 模型选择 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 基于BLM的比例数据建模与分类 | 第37-60页 |
| 3.1 引言 | 第37-38页 |
| 3.2 BLM的定义 | 第38-39页 |
| 3.3 变分贝叶斯学习 | 第39-47页 |
| 3.3.1 扩展变分近似推理 | 第39-46页 |
| 3.3.2 变分下界 | 第46-47页 |
| 3.4 实验结果和性能分析 | 第47-58页 |
| 3.4.1 人工数据集 | 第47-48页 |
| 3.4.2 场景图像分类 | 第48-58页 |
| 3.5 本章小结 | 第58-60页 |
| 第四章 基于IDM的正矢量建模与分类 | 第60-72页 |
| 4.1 引言 | 第60页 |
| 4.2 IDM的定义 | 第60-62页 |
| 4.3 变分贝叶斯学习算法 | 第62-66页 |
| 4.3.1 变分近似推理 | 第62-63页 |
| 4.3.2 扩展变分近似推理 | 第63-66页 |
| 4.4 VB-EM算法 | 第66-67页 |
| 4.5 仿真结果和性能分析 | 第67-71页 |
| 4.5.1 人工数据集 | 第67-69页 |
| 4.5.2 Iris数据聚类 | 第69-70页 |
| 4.5.3 场景分类 | 第70-71页 |
| 4.6 本章小结 | 第71-72页 |
| 第五章 基于非高斯混合模型的比例数据聚类算法研究 | 第72-92页 |
| 5.1 引言 | 第72页 |
| 5.2 比例数据建模 | 第72-75页 |
| 5.3 变分近似推理 | 第75-85页 |
| 5.3.1 GDM的变分近似推理 | 第75-79页 |
| 5.3.2 DMM的变分近似推理 | 第79-82页 |
| 5.3.3 BLM的变分近似推理 | 第82-85页 |
| 5.3.4 VB-EM算法 | 第85页 |
| 5.4 实验结果与分析 | 第85-90页 |
| 5.4.1 人工数据集 | 第85-87页 |
| 5.4.2 UCI机器学习数据集 | 第87-88页 |
| 5.4.3 无监督的场景分类 | 第88-90页 |
| 5.5 本章小结 | 第90-92页 |
| 第六章 论文总结及工作展望 | 第92-95页 |
| 6.1 论文的工作总结 | 第92-93页 |
| 6.2 下一步研究计划 | 第93-95页 |
| 参考文献 | 第95-110页 |
| 致谢 | 第110-111页 |
| 攻读博士学位期间学术成果目录 | 第111页 |
