| 摘要 | 第7-9页 |
| Abstract | 第9-11页 |
| 第1章 绪论 | 第16-33页 |
| 1.1 本文的研究背景和意义 | 第16-17页 |
| 1.2 认知计算的研究现状 | 第17-30页 |
| 1.2.1 心理学中关于认知的研宄 | 第18-20页 |
| 1.2.2 人工智能领域中的认知计算研究 | 第20-24页 |
| 1.2.3 大数据时代的认知计算 | 第24-27页 |
| 1.2.4 基于概念的认知计算 | 第27-29页 |
| 1.2.5 基于云模型的认知计算 | 第29-30页 |
| 1.3 本文的主要研究内容及成果 | 第30-32页 |
| 1.4 本文的组织结构 | 第32-33页 |
| 第2章 双向认知计算模型一云模型 | 第33-72页 |
| 2.1 云模型的定义及其特征 | 第33-36页 |
| 2.1.1 云模型的定义 | 第33-34页 |
| 2.1.2 云模型的数字特征 | 第34-36页 |
| 2.2 二阶正态云模型 | 第36-40页 |
| 2.2.1正态云模型的普适性 | 第36页 |
| 2.2.2 二阶正态云的定义 | 第36-37页 |
| 2.2.3 二阶正向正态云变换算法 | 第37-38页 |
| 2.2.4 二阶正态云滴的贡献度 | 第38-40页 |
| 2.3 二阶正态云模型的数学性质 | 第40-56页 |
| 2.3.1 二阶正态云云滴的统计性质 | 第40-42页 |
| 2.3.2 二阶正态云的雾化分析 | 第42-44页 |
| 2.3.3 二阶正态云确定度的概率分布 | 第44-47页 |
| 2.3.4 二阶正态云云滴与确定度的联合概率分 | 第47-56页 |
| 2.4 二阶逆向云变换算法 | 第56-65页 |
| 2.4.1 常用参数估计方法介绍 | 第56-58页 |
| 2.4.2 有确定度的逆向云变换算法 | 第58-59页 |
| 2.4.3 无确定度的逆向云变换算法 | 第59-65页 |
| 2.5 高阶正态云模型的递归定义及其统计分析 | 第65-70页 |
| 2.5.1 高阶正向正态云变换算法 | 第65页 |
| 2.5.2 高阶正态云模型的递归定义 | 第65-66页 |
| 2.5.3 高阶正态云的统计分折 | 第66-70页 |
| 2.6 本章小结 | 第70-72页 |
| 第3章 稳定的多步逆向云变换算法 | 第72-107页 |
| 3.1 基于样本随机划分的多步逆向云变换算法及分析 | 第72-84页 |
| 3.1.1 基于随机划分的多步逆向云变换算法 | 第72-77页 |
| 3.1.2 算法2nd-MBCT-SD中参数m和r的取值以及估计值的确定 | 第77-78页 |
| 3.1.3 估计量的评价准则 | 第78-80页 |
| 3.1.4 算法2nd-MBCT-SD中各估计量的评价 | 第80-84页 |
| 3.2 基于随机可重复抽样的多步逆向云变换算法及分析 | 第84-95页 |
| 3.2.1 基于可重复抽样的多步逆向云变换算法 | 第84-86页 |
| 3.2.2 算法2nd-MBCT-SR中各估计量的评价 | 第86-87页 |
| 3.2.3 算法2nd-MBCT-SR中参数m和r的取值分析 | 第87-95页 |
| 3.3 实验对比分析 | 第95-104页 |
| 3.3.1 样本量固定且较小时各参数的估计值 | 第96-97页 |
| 3.3.2 样本量固定且较大时各参数的估计值及其误差分析 | 第97-101页 |
| 3.3.3 样本量变化时各参数的估计值及其误差分析 | 第101-104页 |
| 3.4 高阶云模型的逆向云变换算法求解 | 第104-106页 |
| 3.5 本章小结 | 第106-107页 |
| 第4章 一般正态云模型 | 第107-120页 |
| 4.1 二阶一般正向正态云变换 | 第107-109页 |
| 4.2 二阶一般逆向正态云变换 | 第109-114页 |
| 4.2.1 理想状态下的二阶一般逆向云变换算法 | 第109-111页 |
| 4.2.2 一般情形下的二阶j般逆向云变换算法 | 第111-114页 |
| 4.3 样本数据的参数估计 | 第114-116页 |
| 4.4 高阶一般正态云 | 第116-118页 |
| 4.4.1 高阶一般正向正态云变换 | 第116-117页 |
| 4.4.2 高阶一般逆向正态云变换 | 第117-118页 |
| 4.5 本章小结 | 第118-120页 |
| 第5章 基于正态云变换算法的双向认知计算 | 第120-144页 |
| 5.1 云模型对认知概念的解释 | 第120-121页 |
| 5.2 概念共识度的表征与度量 | 第121-122页 |
| 5.3 基于云变换的双向认知计算模型 | 第122-123页 |
| 5.4 双向认知计算过程的模拟实现 | 第123-136页 |
| 5.4.1 人类认知的特点 | 第123-124页 |
| 5.4.2 实验方法和认知概念的选取 | 第124-125页 |
| 5.4.3 静态样例的双向认知计算过程 | 第125-132页 |
| 5.4.4 动态样例的双向认知计算过程 | 第132-136页 |
| 5.5 概念认知过程中的漂移性度量 | 第136-142页 |
| 5.5.1 漂移度的计算 | 第136-138页 |
| 5.5.2 实验模拟分析 | 第138-142页 |
| 5.6 本章小结 | 第142-144页 |
| 第6章 双向认知变换在图像分割中的应用 | 第144-164页 |
| 6.1引言 | 第144-145页 |
| 6.2 图像分割的主要方法 | 第145-148页 |
| 6.2.1 基于阈值的图像分割方法 | 第145-146页 |
| 6.2.2 基于区域的图像分割方法 | 第146-147页 |
| 6.2.3 基于边缘检测的图像分割方法 | 第147页 |
| 6.2.4 其他相关图像分割方法 | 第147-148页 |
| 6.3 基于双向认知变换的图像分割 | 第148-155页 |
| 6.3.1 基于2nd-MBCT-SR算法的概念获取 | 第149-150页 |
| 6.3.2 云概念合并的准则 | 第150-151页 |
| 6.3.3 云概念的综合方法 | 第151-153页 |
| 6.3.4 一种新的云概念综合方法 | 第153-155页 |
| 6.4 实验结果与分析 | 第155-162页 |
| 6.4.1 灰色图像分割结果对比 | 第155-159页 |
| 6.4.2 彩色图像分割结果对比 | 第159-160页 |
| 6.4.3 噪声图像分割结果对比 | 第160-162页 |
| 6.5 本章小结 | 第162-164页 |
| 第7章 总结与展望 | 第164-167页 |
| 7.1本文工作总结 | 第164-166页 |
| 7.2 进一步研宄工作与展望 | 第166-167页 |
| 致谢 | 第167-169页 |
| 参考文献 | 第169-181页 |
| 攻读博士学位期间发表的论文及科研成果 | 第181-182页 |
| 读博期间论文发表情况 | 第181-182页 |
| 读博期间参编的著作章节 | 第182页 |
| 读博期间所获的科研成果 | 第182页 |
| 读博期间参与的科研项目 | 第182页 |
