基于神经网络与SVM的图像压缩（编码）理论和方法
| 摘要 | 第1-3页 |
| Abstract | 第3-6页 |
| 第一章 引言 | 第6-12页 |
| ·数据压缩基本概念 | 第6-7页 |
| ·神经网络基本概念 | 第7-8页 |
| ·支持向量机基本理论 | 第8页 |
| ·研究内容及其现实意义 | 第8-9页 |
| ·本文创新及组织结构 | 第9-12页 |
| 第二章 图像压缩(编码)理论及方法的研究动态 | 第12-18页 |
| ·数字图像基本概念 | 第12-13页 |
| ·经典图像压缩(编码)方法 | 第13-15页 |
| ·预测编码 | 第13页 |
| ·变换编码 | 第13页 |
| ·统计编码 | 第13-14页 |
| ·其它编码 | 第14-15页 |
| ·压缩(编码)方法的新进展 | 第15-16页 |
| ·本章小结 | 第16-18页 |
| 第三章 统计学习理论及支持向量机 | 第18-38页 |
| ·模式识别 | 第18-20页 |
| ·模式识别的定义 | 第19页 |
| ·统计模式识别系统的组成 | 第19-20页 |
| ·统计学习理论 | 第20-25页 |
| ·统计学习过程一致性的条件 | 第21-22页 |
| ·VC维 | 第22-23页 |
| ·结构风险最小化 | 第23-25页 |
| ·BP神经网络算法原理 | 第25-27页 |
| ·支持向量机 | 第27-36页 |
| ·支持向量机及其发展简史 | 第27-28页 |
| ·SVM的应用现状及其不足 | 第28-29页 |
| ·最优超平面 | 第29-32页 |
| ·核函数 | 第32页 |
| ·支持向量机的思想 | 第32-33页 |
| ·支持向量机的数学模型 | 第33-34页 |
| ·线性可分情况 | 第33-34页 |
| ·线性不可分的情况 | 第34页 |
| ·支持向量机的训练算法 | 第34-35页 |
| ·SVM方法的特点 | 第35-36页 |
| ·本章小结 | 第36-38页 |
| 第四章 基于神经网络与 SVM的图像编码方案 | 第38-46页 |
| ·虚拟信源 | 第38-39页 |
| ·虚拟信源的一种模型 | 第38-39页 |
| ·基于神经网络的无损数据压缩原理 | 第39页 |
| ·虚拟信源的SVM模型和压缩(编码)方案 | 第39-40页 |
| ·基于 SVM模型解压缩(编码)方案 | 第40-41页 |
| ·基于神经网络的解压缩原理 | 第41页 |
| ·仿真过程实验平台 | 第41-43页 |
| ·压缩过程 | 第41-43页 |
| ·解压缩过程 | 第43页 |
| ·仿真结果与分析 | 第43-44页 |
| ·本章小结 | 第44-46页 |
| 第五章 回顾与总结 | 第46-48页 |
| ·结论 | 第46页 |
| ·进一步工作的方向 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 附录 | 第51-61页 |
| 攻读学位期间的研究成果 | 第61-62页 |
| 致谢 | 第62-63页 |
