基于模式样本稀疏化和高阶相关的分类方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 引言 | 第9-16页 |
| ·研究背景以及意义 | 第9-11页 |
| ·分类识别系统模型 | 第11-13页 |
| ·分类方法概述 | 第13-14页 |
| ·本文结构及主要工作 | 第14-16页 |
| 第二章 分类识别的预处理以及特征压缩 | 第16-29页 |
| ·手写数字的特性及预处理 | 第16-18页 |
| ·手写数字的特性 | 第16页 |
| ·手写数字的预处理 | 第16-18页 |
| ·高分辨雷达距离像（HRRP）的特性以及预处理 | 第18-22页 |
| ·HRRP 的特性 | 第18-20页 |
| ·HRRP 的预处理 | 第20-22页 |
| ·特征压缩方法 | 第22-26页 |
| ·主分量分析（PCA） | 第22-23页 |
| ·基于核的主分量分析（KPCA） | 第23-24页 |
| ·监督核定位保存投影（SKLPP） | 第24-26页 |
| ·实验 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 样本稀疏化 | 第29-46页 |
| ·稀疏贝叶斯分类方法 | 第29-31页 |
| ·稀疏贝叶斯二分值分类 | 第29-30页 |
| ·基于稀疏贝叶斯分类器的多类判别 | 第30-31页 |
| ·支持向量机（SVM） | 第31-38页 |
| ·线性 SVM | 第31-34页 |
| ·非线性 SVM | 第34-35页 |
| ·LS—SVM 及其一种稀疏算法 | 第35-38页 |
| ·利用相关性进行稀疏 | 第38-39页 |
| ·KNR 分类器 | 第39-42页 |
| ·KNR 分类原理 | 第39-41页 |
| ·增量KNR 的稀疏性 | 第41-42页 |
| ·几种稀疏化方法的比较 | 第42-44页 |
| ·实验 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 基于高阶统计特性的分类识别方法 | 第46-56页 |
| ·高阶统计特性 | 第46-47页 |
| ·高阶相关的定义 | 第47-48页 |
| ·基于高阶相关的模板匹配法 | 第48-49页 |
| ·基于高阶相关的核函数分类方法 | 第49-50页 |
| ·核函数参数的估计 | 第50-52页 |
| ·实验 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 实验结果及分析 | 第56-64页 |
| ·手写体字符实验 | 第56-60页 |
| ·飞机仿真数据实验 | 第60-62页 |
| ·结论 | 第62-64页 |
| 第六章 结论 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻硕期间取得的研究成果 | 第70-71页 |
