非参数核密度聚类与特征提取算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-14页 |
| 第一章 绪论 | 第14-24页 |
| ·研究背景 | 第14-20页 |
| ·数据聚类问题 | 第14-15页 |
| ·聚类分析 | 第15-17页 |
| ·聚类算法 | 第17-19页 |
| ·特征提取 | 第19-20页 |
| ·研究内容与难点 | 第20-21页 |
| ·结构安排与主要贡献 | 第21-24页 |
| 第二章 基本方法和理论 | 第24-42页 |
| ·Mean-Shift基本原理 | 第24-31页 |
| ·非参数密度估计 | 第24-25页 |
| ·迭代优化过程 | 第25页 |
| ·收敛性质 | 第25-26页 |
| ·算法联系 | 第26-27页 |
| ·优化本质解释 | 第27-31页 |
| ·共轭函数理论 | 第31-34页 |
| ·定义与实例 | 第31-33页 |
| ·基本性质 | 第33-34页 |
| ·随机梯度学习理论 | 第34-39页 |
| ·期望风险函数 | 第34页 |
| ·基于梯度的学习 | 第34-35页 |
| ·算法实例 | 第35-37页 |
| ·在线凸优化 | 第37-38页 |
| ·广义在线优化 | 第38-39页 |
| ·Renyi熵理论 | 第39-42页 |
| ·Renyi熵的定义 | 第39-40页 |
| ·Renyi相对熵 | 第40页 |
| ·Renyi二次熵的非参数估计 | 第40-42页 |
| 第三章 Mean-Shift的半二次优化分析 | 第42-60页 |
| ·引言 | 第42-43页 |
| ·半二次优化解释 | 第43-48页 |
| ·基本描述 | 第43-45页 |
| ·收敛性分析 | 第45-47页 |
| ·相关工作 | 第47-48页 |
| ·序贯Mean-Shift模式搜索 | 第48-51页 |
| ·全局模式搜索 | 第48-49页 |
| ·Seq-MS算法 | 第49-51页 |
| ·一维数值测试 | 第51页 |
| ·Seq-MS的应用 | 第51-57页 |
| ·静态图像分割 | 第51-52页 |
| ·颜色一致性 | 第52-57页 |
| ·本章小结 | 第57-60页 |
| 第四章 凝聚Mean-Shift聚类算法 | 第60-88页 |
| ·引言 | 第60-61页 |
| ·相关工作 | 第61-63页 |
| ·快速Mean-Shift聚类算法 | 第61-62页 |
| ·Mean-Shift的二次界优化解释 | 第62-63页 |
| ·凝聚Mean-Shift聚类 | 第63-71页 |
| ·查询集覆盖 | 第63-64页 |
| ·迭代查询集压缩 | 第64-65页 |
| ·算法分析 | 第65-71页 |
| ·Agglo-MS的扩展 | 第71-77页 |
| ·增量Agglo-MS聚类 | 第71-73页 |
| ·带约束Agglo-MS聚类算法 | 第73-77页 |
| ·实验 | 第77-87页 |
| ·Agglo-MS性能评估 | 第77-81页 |
| ·IAgglo-MS性能评估 | 第81-82页 |
| ·CAgglo-MS性能评估 | 第82-87页 |
| ·本章小结 | 第87-88页 |
| 第五章 随机梯度核密度模式搜索 | 第88-102页 |
| ·引言 | 第88-89页 |
| ·随机梯度Mean-Shift | 第89-90页 |
| ·算法 | 第89页 |
| ·随机梯度上升本质 | 第89-90页 |
| ·逼近分析 | 第90-95页 |
| ·收敛条件假设 | 第90-91页 |
| ·几乎处处收敛性 | 第91页 |
| ·收敛速度 | 第91-92页 |
| ·关于Regret界 | 第92-94页 |
| ·数值实例 | 第94-95页 |
| ·算法应用 | 第95-99页 |
| ·本章小结 | 第99-102页 |
| 第六章 基于信息理论学习的鲁棒特征提取 | 第102-118页 |
| ·引言 | 第102-104页 |
| ·主要贡献 | 第103页 |
| ·相关工作 | 第103-104页 |
| ·本章结构 | 第104页 |
| ·非参数Renyi熵 | 第104-105页 |
| ·算法框架 | 第105-110页 |
| ·问题建模 | 第105页 |
| ·鲁棒统计学解释 | 第105-106页 |
| ·优化过程 | 第106-108页 |
| ·算法特例 | 第108-109页 |
| ·全局优化 | 第109页 |
| ·响应矩阵学习 | 第109页 |
| ·核化扩展 | 第109-110页 |
| ·实验 | 第110-113页 |
| ·数据集 | 第110-111页 |
| ·实验设计 | 第111-112页 |
| ·实验结果 | 第112-113页 |
| ·本章小结 | 第113-118页 |
| 第七章 总结与展望 | 第118-122页 |
| ·Mean-Shift聚类算法的探索与扩展 | 第118-120页 |
| ·研究工作总结 | 第118-119页 |
| ·进一步研究展望 | 第119-120页 |
| ·基于信息理论学习的鲁棒特征提取 | 第120-122页 |
| ·研究工作总结 | 第120-121页 |
| ·进一步研究展望 | 第121-122页 |
| 参考文献 | 第122-136页 |
| 攻读博士期间发表的论文 | 第136-138页 |
| 致谢 | 第138-139页 |
