特征选择算法及其在基于内容图像检索中的应用研究
| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-13页 |
| 1 绪论 | 第13-19页 |
| ·课题的意义 | 第13页 |
| ·国内外研究现状简介 | 第13-15页 |
| ·存在的问题和不足 | 第15-16页 |
| ·论文的主要研究内容和创新点 | 第16页 |
| ·论文的组织结构 | 第16-19页 |
| 2 特征选择算法的特性研究 | 第19-31页 |
| ·特征选择算法的结构 | 第19-21页 |
| ·特征选择算法的伪代码 | 第21-22页 |
| ·特征选择算法的分类 | 第22-23页 |
| ·特征选择算法的选用 | 第23-25页 |
| ·部分典型特征选择算法的流程与分析 | 第25-30页 |
| ·本章小结 | 第30-31页 |
| 3 模糊特征选择算法 | 第31-45页 |
| ·模糊特征选择的由来 | 第31页 |
| ·特征模糊化 | 第31-34页 |
| ·特征子集选择问题 | 第34-37页 |
| ·问题分析 | 第34-35页 |
| ·模糊扩张矩阵 | 第35-37页 |
| ·算法设计 | 第37-39页 |
| ·时间复杂性分析 | 第39-40页 |
| ·实验 | 第40-43页 |
| ·本章小结 | 第43-45页 |
| 4 基于关联性的监督高维特征选择算法研究 | 第45-55页 |
| ·问题分析 | 第45页 |
| ·特征关联性定义 | 第45-46页 |
| ·特征关联性常用计算公式 | 第46-48页 |
| ·基于关联性的特征选择算法分类 | 第48-50页 |
| ·特征关联性作为评价准则 | 第48页 |
| ·直接利用特征关联性 | 第48-50页 |
| ·算法设计 | 第50-52页 |
| ·ReliefF | 第50页 |
| ·Mitra’s 算法 | 第50-51页 |
| ·算法结构分析 | 第51-52页 |
| ·实验结果 | 第52-53页 |
| ·本章小结 | 第53-55页 |
| 5 非监督高维特征选择算法 | 第55-71页 |
| ·问题分析和已有的工作 | 第55-56页 |
| ·特征排序 | 第56-58页 |
| ·排序指标 | 第56-57页 |
| ·排序算法 | 第57-58页 |
| ·特征选择 | 第58-60页 |
| ·特征子集评价准则 | 第58-59页 |
| ·特征选择算法 | 第59-60页 |
| ·冗余特征的处理 | 第60页 |
| ·实验 | 第60-70页 |
| ·数据集 | 第60-61页 |
| ·排序和选择性能 | 第61-70页 |
| ·本章小结 | 第70-71页 |
| 6 基于支持向量机的特征选择算法分析研究 | 第71-81页 |
| ·支持向量机SVM 简介 | 第71-72页 |
| ·基于SVM 的特征选择算法分类 | 第72-79页 |
| ·直接利用分类函数 | 第72-74页 |
| ·利用性能估计公式 | 第74-79页 |
| ·核的主分量分析KPCA | 第79页 |
| ·未来研究方向 | 第79页 |
| ·本章小结 | 第79-81页 |
| 7 基于内容图像检索的特征选择方法初探 | 第81-93页 |
| ·图像检索的概述 | 第81-83页 |
| ·CBIR 中特征选择的必要性 | 第83-84页 |
| ·CBIR 中特征选择的方法 | 第84-89页 |
| ·特征提取 | 第84页 |
| ·相关反馈技术 | 第84-87页 |
| ·常规特征选择方法 | 第87-88页 |
| ·方法组合 | 第88-89页 |
| ·应用实验 | 第89-91页 |
| ·本章小结 | 第91-93页 |
| 8 总结 | 第93-95页 |
| 致谢 | 第95-97页 |
| 参考文献 | 第97-105页 |
| 附录 A 模糊集相似性度量 | 第105-109页 |
| A.1 Metric-based 方法 | 第105页 |
| A.2 集理论方法 | 第105-107页 |
| A.3 贴近度方法 | 第107页 |
| A.4 其它方法 | 第107-109页 |
| 附录 B PCA、SVD | 第109-111页 |
| B.1 主分量分析PCA | 第109-110页 |
| B.2 奇异值分解SVD | 第110-111页 |
| 附录 C 攻读博士学位期间发表论文及参加科研情况 | 第111-113页 |
| 1、论文发表情况 | 第111页 |
| 2、参加科研情况 | 第111-113页 |
| 独创性声明 | 第113页 |
| 学位论文版权使用授权书 | 第113页 |
