基于增量高斯混合模型的在线密度估计研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 相关工作介绍 | 第14-16页 |
| 1.2 论文纲要 | 第16页 |
| 1.3 本章小结 | 第16-18页 |
| 第二章 密度估计与高斯混合模型 | 第18-30页 |
| 2.1 参数式密度估计 | 第19-23页 |
| 2.1.1 高斯混合模型 | 第20-23页 |
| 2.2 非参数式密度估计 | 第23-26页 |
| 2.2.1 直方图 | 第23-24页 |
| 2.2.2 核密度估计 | 第24-26页 |
| 2.3 两类方法的比较 | 第26-27页 |
| 2.4 评价标准 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 SOINN及其概率模型 | 第30-40页 |
| 3.1 自组织增量学习神经网络SOINN | 第30-38页 |
| 3.1.1 SOINN的网络结构 | 第31-32页 |
| 3.1.2 SOINN的学习算法 | 第32-38页 |
| 3.2 SOINN的概率模型 | 第38-39页 |
| 3.2.1 LD-SOINN与高斯混合模型的关系 | 第38-39页 |
| 3.2.2 LD-SOINN与密度估计 | 第39页 |
| 3.3 本章小结 | 第39-40页 |
| 第四章 基于局部学习的增量高斯混合模型LAIM | 第40-54页 |
| 4.1 模型 | 第40页 |
| 4.2 学习算法 | 第40-45页 |
| 4.2.1 动态增加高斯成分 | 第41-43页 |
| 4.2.2 局部自适应参数学习 | 第43-45页 |
| 4.2.3 动态去噪 | 第45页 |
| 4.3 实验结果 | 第45-49页 |
| 4.3.1 人造数据 | 第45-47页 |
| 4.3.2 实际数据 | 第47-49页 |
| 4.4 总结与分析 | 第49-52页 |
| 4.4.1 局部的混合模型 | 第49-51页 |
| 4.4.2 合并相似成分 | 第51-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 简历与科研成果 | 第62-64页 |
| 致谢 | 第64-65页 |
