| 致谢 | 第9-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 绪论 | 第21-41页 |
| 1.1 研究背景和意义 | 第21-22页 |
| 1.1.1 研究背景 | 第21-22页 |
| 1.1.2 研究意义 | 第22页 |
| 1.2 国内外研究现状 | 第22-32页 |
| 1.2.1 多源信息特征提取研究现状 | 第22-27页 |
| 1.2.2 多源信息融合研究现状 | 第27-32页 |
| 1.3 国内外研究面临的问题 | 第32-34页 |
| 1.4 本文的研究内容和组织结构以及技术路线 | 第34-37页 |
| 1.4.1 本文研究内容 | 第34-35页 |
| 1.4.2 本文组织结构 | 第35-36页 |
| 1.4.3 本文技术路线 | 第36-37页 |
| 1.5 研究的主要创新点 | 第37-41页 |
| 第二章 多源信息特征提取和融合的理论与方法概述 | 第41-55页 |
| 2.1 多源信息特征提取 | 第41-46页 |
| 2.1.1 线性特征提取 | 第41-44页 |
| 2.1.2 非线性特征提取 | 第44-46页 |
| 2.2 多源信息融合 | 第46-54页 |
| 2.2.1 数据级多源信息融合 | 第47-48页 |
| 2.2.2 特征级多源信息融合 | 第48-50页 |
| 2.2.3 决策级多源信息融合 | 第50-54页 |
| 2.3 本章小结 | 第54-55页 |
| 第三章 基于流形学习的多源信息特征提取 | 第55-73页 |
| 3.1 特征提取基础理论及流形学习 | 第55-58页 |
| 3.1.1 特征提取基础理论 | 第55-56页 |
| 3.1.2 流形学习 | 第56-58页 |
| 3.2 基于遗传算法的高维信息特征提取方法 | 第58-66页 |
| 3.2.1 LLE存在的问题及分析 | 第58-59页 |
| 3.2.2 基于遗传算法的局部线性嵌入方法 | 第59-62页 |
| 3.2.3 实验与分析 | 第62-66页 |
| 3.3 基于等距映射的纹理特征提取方法 | 第66-71页 |
| 3.3.1 分形维数方法存在的问题及分析 | 第66页 |
| 3.3.2 基于等距映射的分形维数方法 | 第66-69页 |
| 3.3.3 实验与分析 | 第69-71页 |
| 3.4 本章小结 | 第71-73页 |
| 第四章 基于聚类理论的特征级多源信息融合 | 第73-107页 |
| 4.1 聚类理论 | 第73-78页 |
| 4.1.1 基本概念 | 第73-74页 |
| 4.1.2 经典聚类方法 | 第74-78页 |
| 4.2 基于谱聚类和流形学习的海量信息聚类方法 | 第78-89页 |
| 4.2.1 已有分析方法存在问题及分析 | 第78-81页 |
| 4.2.2 SCLLE方法 | 第81-85页 |
| 4.2.3 实验与分析 | 第85-89页 |
| 4.3 基于流形距离和维数简约的K-均值法 | 第89-96页 |
| 4.3.1 已有方法存在的问题及分析 | 第89-92页 |
| 4.3.2 基于流形距离和维数简约的快速全局K-均值法 | 第92-95页 |
| 4.3.3 实验与分析 | 第95-96页 |
| 4.4 基于流形距离和维数简约的多阶段聚类方法 | 第96-105页 |
| 4.4.1 已存在的问题及分析 | 第97-99页 |
| 4.4.2 基于流形距离和维数简约的多阶段聚类方法 | 第99-103页 |
| 4.4.3 实验与分析 | 第103-105页 |
| 4.5 本章小结 | 第105-107页 |
| 第五章 基于D-S证据理论的决策级多源信息融合 | 第107-127页 |
| 5.1 D-S证据理论 | 第107-110页 |
| 5.1.1 基本概念 | 第107-109页 |
| 5.1.2 D-S合成规则 | 第109-110页 |
| 5.2 决策级多源信息融合问题及分析 | 第110-113页 |
| 5.2.1 存在的问题 | 第111-112页 |
| 5.2.2 问题分析 | 第112-113页 |
| 5.3 基于等距映射的证据合成过程 | 第113-117页 |
| 5.3.1 初始聚类方法 | 第113-114页 |
| 5.3.2 融合预处理方法 | 第114-115页 |
| 5.3.3 低维嵌入求解方法 | 第115-116页 |
| 5.3.4 低维信息融合方法 | 第116-117页 |
| 5.4 基于D-S证据理论的多源信息融合方法 | 第117页 |
| 5.5 IMER方法分析 | 第117-119页 |
| 5.6 实验与分析 | 第119-126页 |
| 5.6.1 冲突性对比实验 | 第119-120页 |
| 5.6.2 多BBM对比实验 | 第120-122页 |
| 5.6.3 仿真信息实验 | 第122-125页 |
| 5.6.4 真实信息实验 | 第125-126页 |
| 5.7 本章小结 | 第126-127页 |
| 第六章 特征提取和融合在信息管理中的应用研究 | 第127-145页 |
| 6.1 信息管理中的图像信息识别与多源信息特征提取和融合 | 第127-131页 |
| 6.1.1 信息管理中的图像信息识别 | 第127-130页 |
| 6.1.2 基于多源信息特征提取和融合的图像信息识别 | 第130-131页 |
| 6.2 基于多源信息特征提取和融合的智能图像信息识别策略 | 第131-134页 |
| 6.2.1 图像信息识别中的特征提取 | 第131页 |
| 6.2.2 图像信息识别中的特征级信息融合 | 第131-132页 |
| 6.2.3 图像信息识别中的决策级信息融合 | 第132-134页 |
| 6.3 仿真实验 | 第134-138页 |
| 6.3.1 仿真环境 | 第134页 |
| 6.3.2 仿真过程 | 第134-136页 |
| 6.3.3 实验分析 | 第136-138页 |
| 6.4 基于多源信息特征提取和融合的智能图像信息识别系统 | 第138-143页 |
| 6.4.1 智能图像信息识别系统分析 | 第138-140页 |
| 6.4.2 智能图像信息识别系统设计 | 第140-143页 |
| 6.4.3 智能图像信息识别系统实现 | 第143页 |
| 6.5 本章小结 | 第143-145页 |
| 第七章 总结与展望 | 第145-149页 |
| 7.1 总结 | 第145-147页 |
| 7.2 展望 | 第147-149页 |
| 参考文献 | 第149-163页 |
| 攻读博士学位期间的学术活动及成果情况 | 第163-164页 |
