面向可视化的体数据压缩技术研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究的背景与意义 | 第10-13页 |
| ·常见的压缩算法 | 第13-14页 |
| ·论文研究的主要内容 | 第14页 |
| ·论文结构 | 第14-16页 |
| 第二章 数据压缩的基本理论 | 第16-26页 |
| ·数据压缩的概念 | 第16页 |
| ·数据压缩的性能指标 | 第16-17页 |
| ·压缩比 | 第16-17页 |
| ·峰值信噪比 | 第17页 |
| ·PCA 主成分分析 | 第17-20页 |
| ·小波变换 | 第20-24页 |
| ·SVD 奇异值分解 | 第24-26页 |
| 第三章 基于稀疏编码的体数据压缩 | 第26-44页 |
| ·引言 | 第26页 |
| ·稀疏编码的基本概念和方法 | 第26-31页 |
| ·稀疏性度量 | 第28-29页 |
| ·稀疏分解方法 | 第29-31页 |
| ·本文方法 | 第31-40页 |
| ·本文方法的基本思想 | 第31页 |
| ·改进的稀疏分解方法 | 第31-33页 |
| ·数据字典的构造和学习 | 第33-37页 |
| ·稀疏编码 | 第37-38页 |
| ·算法性能分析 | 第38-40页 |
| ·解压过程 | 第40页 |
| ·实验结果与分析 | 第40-42页 |
| ·小结 | 第42-44页 |
| 第四章 基于机器学习的体数据压缩 | 第44-57页 |
| ·引言 | 第44页 |
| ·机器学习的基本概念和方法 | 第44-48页 |
| ·半监督学习 | 第44-45页 |
| ·主动学习 | 第45-46页 |
| ·回归模型的建立与分析 | 第46-48页 |
| ·体数据压缩的机器学习方法 | 第48-52页 |
| ·压缩过程 | 第48-49页 |
| ·压缩模型 | 第49-50页 |
| ·计算特征矢量 | 第50-51页 |
| ·选取代表系数矢量 | 第51-52页 |
| ·解压过程 | 第52页 |
| ·实验结果与分析 | 第52-56页 |
| ·小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| ·本文工作总结 | 第57-58页 |
| ·今后工作展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64页 |
