基于马尔可夫随机场的机器学习理论及应用
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究工作的背景与意义 | 第9-10页 |
| 1.2 国内外研究历史与现状 | 第10-11页 |
| 1.3 本文的主要贡献与创新 | 第11-12页 |
| 1.4 本论文的结构安排 | 第12-13页 |
| 第二章 隐马尔可夫模型理论基础 | 第13-24页 |
| 2.1 隐马尔可夫模型的基本概念 | 第13-18页 |
| 2.1.1 马尔可夫过程 | 第13-14页 |
| 2.1.2 隐马尔可夫模型的定义 | 第14-17页 |
| 2.1.3 隐马尔可夫模型的三个基本问题 | 第17-18页 |
| 2.2 评估问题 | 第18-20页 |
| 2.2.1 前向算法 | 第19页 |
| 2.2.2 后向算法 | 第19-20页 |
| 2.3 解码问题 | 第20-21页 |
| 2.4 学习问题 | 第21-23页 |
| 2.4.1 极大似然法 | 第21-22页 |
| 2.4.2 Baum-Welch算法 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 隐马尔可夫模型在机器学习中的应用 | 第24-35页 |
| 3.1 语音识别 | 第25-26页 |
| 3.2 动态手势识别 | 第26-28页 |
| 3.3 交通异常检测 | 第28-34页 |
| 3.3.1 基于光流的异常检测 | 第28-30页 |
| 3.3.2 基于运动轨迹的异常检测 | 第30-32页 |
| 3.3.3 基于自定义描述子的异常检测 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于连续隐马尔可夫模型的交通异常检测算法 | 第35-48页 |
| 4.1 算法分析 | 第35-40页 |
| 4.1.1 光流场构建 | 第35-37页 |
| 4.1.2 连续隐马尔可夫模型 | 第37-39页 |
| 4.1.3 异常检测模块 | 第39-40页 |
| 4.2 算法步骤 | 第40页 |
| 4.3 特征提取 | 第40-43页 |
| 4.3.1 视频分段 | 第40-41页 |
| 4.3.2 光流提取 | 第41页 |
| 4.3.3 坐标变换 | 第41-43页 |
| 4.4 连续隐马尔可夫模型 | 第43-46页 |
| 4.4.1 GMM参数初始化 | 第44-45页 |
| 4.4.2 CHMM训练 | 第45-46页 |
| 4.5 异常事件检测 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 实验结果 | 第48-54页 |
| 5.1 数据收集与处理 | 第48-49页 |
| 5.2 异常检测结果 | 第49-50页 |
| 5.3 算法性能评价 | 第50-51页 |
| 5.4 参数比较 | 第51-53页 |
| 5.5 本章总结 | 第53-54页 |
| 第六章 全文总结 | 第54-55页 |
| 6.1 全文总结 | 第54页 |
| 6.2 后续工作展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间取得的成果 | 第59页 |
