| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论(1) 心理物理学函数 | 第12-24页 |
| 1.1 高阈值假设 | 第12-13页 |
| 1.2 信号检测理论校正 | 第13-14页 |
| 1.3 常见的心理物理学函数数学形式 | 第14页 |
| 1.3.1 韦伯(Weibull)方程 | 第14页 |
| 1.3.2 逻辑斯特(Logistic)方程 | 第14页 |
| 1.3.3 累积高斯(Cumulative Gaussian)方程 | 第14页 |
| 1.4 常见的拟合方法 | 第14-17页 |
| 1.4.1 一般线性方法(general linear model, GLM) | 第15页 |
| 1.4.2 最大似然法(maximum likelihoo,ML) | 第15-16页 |
| 1.4.3 贝叶斯方法(Bayesian) | 第16-17页 |
| 1.4.4 局部线性拟合法(local linear fitting) | 第17页 |
| 1.5 心理物理测量的采样方法 | 第17-20页 |
| 1.5.1 恒定刺激法(method of constant stimuli, MOCS) | 第18页 |
| 1.5.2 阶梯法(Staircase methods) | 第18-19页 |
| 1.5.3 贝叶斯自适应方法(Bayesian adaptive methods) | 第19-20页 |
| 1.6 多维心理物理学函数的采样及拟合方法 | 第20-21页 |
| 1.7 小结 | 第21-24页 |
| 第二章 绪论(2) 高斯过程简介 | 第24-36页 |
| 2.1 高斯过程(GAUSSIAN PROCESSES) | 第24页 |
| 2.2 从贝叶斯线性模型到高斯过程 | 第24-25页 |
| 2.3 高斯过程建模 | 第25-28页 |
| 2.3.1 常用协方差函数 | 第25-26页 |
| 2.3.2 超参数(hyper-parameter)的学习 | 第26-28页 |
| 2.4 基于高斯过程的回归(Gaussian Processes Regression) | 第28-30页 |
| 2.5 基于高斯过程的分类(Gaussian Processes Classification) | 第30-31页 |
| 2.6 高斯过程的历史 | 第31-32页 |
| 2.7 高斯过程在生物医学中的应用 | 第32-33页 |
| 2.8 小结 | 第33-36页 |
| 第三章 二维心理物理学函数的参数化贝叶斯拟合 | 第36-52页 |
| 3.1 引言 | 第36-38页 |
| 3.2 实验方法 | 第38-44页 |
| 3.2.1 二维心理物理学函数 | 第38-39页 |
| 3.2.2 贝叶斯估计 | 第39-40页 |
| 3.2.3 自适应方法 | 第40-42页 |
| 3.2.4 仿真方法 | 第42页 |
| 3.2.5 心理物理学实验方法 | 第42-44页 |
| 3.3 实验结果 | 第44-49页 |
| 3.3.1 仿真实验结果 | 第44-48页 |
| 3.3.2 心理物理学实验结果 | 第48-49页 |
| 3.4 实验结果讨论 | 第49-52页 |
| 第四章 一维心理物理学曲线的非参贝叶斯估计 | 第52-66页 |
| 4.1 引言 | 第52-53页 |
| 4.2 实验方法 | 第53-57页 |
| 4.2.1 高斯过程分类 | 第53-54页 |
| 4.2.2 仿真实验方法 | 第54-55页 |
| 4.2.3 心理物理学函数的估计 | 第55-57页 |
| 4.3 实验结果 | 第57-63页 |
| 4.4 实验结果讨论 | 第63-66页 |
| 第五章 对比敏感度函数的非参贝叶斯估计 | 第66-78页 |
| 5.1 引言 | 第66-69页 |
| 5.2 实验方法 | 第69-73页 |
| 5.2.1 利用高斯过程分类估计对比敏感度函数 | 第69-70页 |
| 5.2.2 最大似然法估计对比敏感度函数 | 第70-71页 |
| 5.2.3 实验设备 | 第71页 |
| 5.2.4 仿真实验方法 | 第71-73页 |
| 5.3 实验结果 | 第73-75页 |
| 5.4 实验结果讨论 | 第75-78页 |
| 第六章 总结与展望 | 第78-82页 |
| 6.1 工作总结 | 第78-81页 |
| 6.2 工作展望 | 第81-82页 |
| 参考文献 | 第82-92页 |
| 致谢 | 第92-94页 |
| 附录 | 第94页 |
