时序、图像特征检测的理论、方法及应用研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-6页 |
| 目录 | 第6-9页 |
| 第一章 绪论 | 第9-19页 |
| ·课题来源，研究背景及意义 | 第9页 |
| ·课题来源 | 第9页 |
| ·研究意义 | 第9页 |
| ·特征检测研究现状及进展 | 第9-16页 |
| ·特征检测的特点和难点问题 | 第16-17页 |
| ·研究的关键问题 | 第17页 |
| ·论文的创新点 | 第17-18页 |
| ·论文章节的安排 | 第18-19页 |
| 第二章 时序特征检测系统模型 | 第19-42页 |
| ·时序特征检测的任务与挑战 | 第19-21页 |
| ·时序特征检测的任务 | 第19-21页 |
| ·时序特征检测面临的挑战 | 第21页 |
| ·时间序列的模式表示 | 第21-22页 |
| ·特征检测系统基本模型 | 第22-30页 |
| ·基本思路 | 第22-23页 |
| ·OCSVM模型 | 第23-24页 |
| ·相空间重构 | 第24-30页 |
| ·特征检测在线实现算法 | 第30页 |
| ·实验分析 | 第30-34页 |
| ·面临新问题及解决思路 | 第34页 |
| ·粒子群优化理论及基本PSO算法 | 第34-38页 |
| ·基本PSO(粒子群优化)算法 | 第34-35页 |
| ·PSO的改进算法 | 第35-36页 |
| ·混沌粒子群优化模型 | 第36-38页 |
| ·OCSVM-CPSO组合式自适应故障检测模型 | 第38-39页 |
| ·实验分析与比较 | 第39-41页 |
| ·小结 | 第41-42页 |
| 第三章 高效时序特征检测的符号化模型 | 第42-65页 |
| ·相关研究背景 | 第42-46页 |
| ·SAX时序符号化模型 | 第43-44页 |
| ·当前问题及本节目标 | 第44-46页 |
| ·DLS(动态有界符号化)方法 | 第46-48页 |
| ·概述 | 第46页 |
| ·时序数据的降维 | 第46-47页 |
| ·最大压缩比的确定 | 第47-48页 |
| ·时序数据的符号化 | 第48页 |
| ·DLS符号时序的距离计算 | 第48-53页 |
| ·实验分析 | 第51-53页 |
| ·VSB矢量化符号方法 | 第53-56页 |
| ·算法描述 | 第53-55页 |
| ·实验分析 | 第55-56页 |
| ·基于统计特征的符号化时序方法 | 第56-65页 |
| ·SFVS(统计特征矢量符号化)算法 | 第57-59页 |
| ·SFVS与SAX的比较 | 第59-60页 |
| ·算法相关的符号距离计算 | 第60-61页 |
| ·基于统计特征的符号化方法示例 | 第61页 |
| ·实验分析 | 第61-63页 |
| ·小结 | 第63-65页 |
| 第四章 图像特征检测的自适应谱聚类 | 第65-80页 |
| ·相关工作及问题的提出 | 第65-67页 |
| ·谱图理论 | 第67-69页 |
| ·谱图理论的本征问题 | 第69-71页 |
| ·自适应谱聚类算法 | 第71-75页 |
| ·用于彩图分割的ASC算法 | 第75-76页 |
| ·实验分析 | 第76-79页 |
| ·小结 | 第79-80页 |
| 第五章 改善特征检测性能的半监督式学习 | 第80-95页 |
| ·问题的提出 | 第80-81页 |
| ·半监督式学习 | 第81-82页 |
| ·半监督式学习的基本假定 | 第81页 |
| ·半监督学习的主要研究方向 | 第81-82页 |
| ·典型的半监督式学习模型 | 第82-84页 |
| ·基于支持向量机的渐近式半监督式学习算法 | 第84-88页 |
| ·实验分析 | 第88-90页 |
| ·交互式半监督聚类 | 第90-93页 |
| ·实验分析 | 第93-94页 |
| ·小结 | 第94-95页 |
| 第六章 结论与展望 | 第95-97页 |
| ·本论文工作小结 | 第95页 |
| ·进一步研究工作 | 第95-97页 |
| 参考文献 | 第97-112页 |
| 致谢 | 第112-113页 |
| 攻读博士期间完成的学术论文与科研工作 | 第113页 |
| 科研工作 | 第113页 |
