基于多源海量数据分层递阶图表示模型的可视化信息融合的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-12页 |
| ·海量数据融合可视化研究的目的和意义 | 第9-11页 |
| ·数据融合的发展状况 | 第11页 |
| ·课题研究的主要内容 | 第11-12页 |
| 第2章 多源海量数据的描述与预处理 | 第12-22页 |
| ·高维海量数据的几何特性和统计分布特性 | 第12-17页 |
| ·高维海量数据空间的几何特性 | 第13-16页 |
| ·高维空间的统计分布特性 | 第16-17页 |
| ·高维海量数据的矩阵表示和类型 | 第17-18页 |
| ·高维海量数据的矩阵 | 第17页 |
| ·高维海量数据的类型 | 第17-18页 |
| ·高维海量数据的预处理方法 | 第18-20页 |
| ·中心化变换 | 第18页 |
| ·标准化变换 | 第18页 |
| ·极差标准化变换 | 第18-19页 |
| ·极差正规化（归一化）变换 | 第19-20页 |
| ·对数变换 | 第20页 |
| ·本章小结 | 第20-22页 |
| 第3章 基于分层递阶图的降维与可视化信息融合方法 | 第22-36页 |
| ·分层递阶图表示模型 | 第22-24页 |
| ·雷达图表示原理及图形特征 | 第22-23页 |
| ·基于雷达图的分层递阶模型 | 第23-24页 |
| ·信息可视化技术 | 第24-27页 |
| ·信息可视化概述 | 第24-25页 |
| ·信息可视化的常用方法 | 第25-27页 |
| ·海量数据降维和可视化信息融合 | 第27-35页 |
| ·降维的数学描述 | 第27-28页 |
| ·主成分分析 | 第28-32页 |
| ·基于多级数据分解与融合思想的降维方法 | 第32-34页 |
| ·矢量融合降维方法 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 基于分层递阶图的脑电数据处理 | 第36-49页 |
| ·脑电图技术与研究现状 | 第36页 |
| ·脑电数据的预处理与目标识别 | 第36-37页 |
| ·脑电数据预处理方案的选择 | 第36页 |
| ·脑电数据预处理的具体步骤 | 第36-37页 |
| ·变量融合 | 第37-39页 |
| ·变量融合原理 | 第37-38页 |
| ·基于扇形的融合方法 | 第38页 |
| ·基于三角形面积变量融合方法 | 第38-39页 |
| ·BP 神经网络分类器在脑电数据处理中的应用 | 第39-41页 |
| ·BP 神经网络用于目标识别的具体流程 | 第39-40页 |
| ·单输出型BP 分类器的设计与实现 | 第40-41页 |
| ·仿真过程与分析 | 第41-48页 |
| ·仿真数据来源 | 第41页 |
| ·数据预处理 | 第41-42页 |
| ·局部信息提取 | 第42-43页 |
| ·特征融合 | 第43-44页 |
| ·分类决策 | 第44-46页 |
| ·BP 神经网络分类决策方法与诊断模板方法的比较 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第54-55页 |
| 致谢 | 第55-56页 |
| 作者简介 | 第56页 |
