高维仿生信息几何学研究及其在模式识别中的应用
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第1章 绪论 | 第13-25页 |
| ·引言 | 第13-14页 |
| ·研究背景 | 第14-18页 |
| ·模式识别的新问题 | 第14-15页 |
| ·神经网络模式识别 | 第15-17页 |
| ·流形学习的兴起 | 第17-18页 |
| ·高维仿生信息学的诞生 | 第18页 |
| ·高维仿生信息学发展过程和应用现状 | 第18-21页 |
| ·高维仿生信息学发展过程 | 第18-20页 |
| ·高维仿生信息学在图像处理中的应用 | 第20-21页 |
| ·高维仿生信息学在模式识别中的应用 | 第21页 |
| ·论文主要内容及研究意义 | 第21-23页 |
| ·主要内容 | 第21-22页 |
| ·研究意义 | 第22-23页 |
| ·论文的组织结构 | 第23-25页 |
| 第2章 高维仿生信息几何学基本理论 | 第25-38页 |
| ·引言 | 第25页 |
| ·仿生的含义 | 第25-26页 |
| ·高维仿生信息学的基本原理 | 第26-27页 |
| ·高维仿生信息学的特点 | 第27-28页 |
| ·高维仿生信息学部分定义 | 第28-30页 |
| ·高维空间距离计算方法 | 第30-32页 |
| ·模式识别中两个典型问题的几何概念分析 | 第32-37页 |
| ·神经元的高维空间几何概念 | 第32-34页 |
| ·主成分分析方法的高维空间几何概念 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 第3章 基于多自由度神经元模型的仿生模式识别 | 第38-58页 |
| ·引言 | 第38页 |
| ·超香肠神经元模型 | 第38-43页 |
| ·超香肠神经元模型核心思想 | 第39-40页 |
| ·超香肠神经元网络的学习算法 | 第40-42页 |
| ·超香肠神经元网络的人造数据识别实验 | 第42-43页 |
| ·多自由度神经元模型 | 第43-50页 |
| ·多自由度神经元模型 | 第43-45页 |
| ·多自由度神经元性能分析 | 第45-46页 |
| ·多自由度神经元网络的学习算法 | 第46-48页 |
| ·多自由度神经元的维数选择 | 第48-49页 |
| ·多自由度神经元网络的人造数据识别实验 | 第49-50页 |
| ·人脸识别实验分析 | 第50-57页 |
| ·人脸识别实验框架 | 第51-52页 |
| ·UMIST数据库实验 | 第52-53页 |
| ·ORL数据库实验 | 第53-54页 |
| ·YALE数据库实验 | 第54-55页 |
| ·3D_RMA数据库实验 | 第55-56页 |
| ·实验结果分析 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第4章 基于流形学习的仿生模式识别 | 第58-86页 |
| ·引言 | 第58-59页 |
| ·典型的流形学习算法分析 | 第59-64页 |
| ·主成分分析(PCA) | 第59-60页 |
| ·Fisher线性判别分析LDA(FDA) | 第60页 |
| ·核主成分分析(KPCA) | 第60-61页 |
| ·等距映射算法(ISOMAP) | 第61-62页 |
| ·局部线性嵌入算法(LLE) | 第62-63页 |
| ·Laplacian特征映射算法(LE) | 第63-64页 |
| ·核邻近点Fisher线性判别分析算法 | 第64-68页 |
| ·核邻近点Fisher线性判别分析算法描述 | 第65-67页 |
| ·算法评价 | 第67页 |
| ·实验分析 | 第67-68页 |
| ·基于流形距离的仿生识别算法 | 第68-84页 |
| ·主流形存在的问题分析 | 第69-71页 |
| ·基于局部PCA的主流形 | 第71-78页 |
| ·基于局部PCA的主流形算法描述 | 第71-72页 |
| ·算法收敛性分析 | 第72-73页 |
| ·算法性能分析 | 第73-78页 |
| ·切距离的求取算法 | 第78-80页 |
| ·实验分析 | 第80-84页 |
| ·本章小结 | 第84-86页 |
| 第5章 基于谱聚类的仿生模式识别 | 第86-97页 |
| ·引言 | 第86-87页 |
| ·基于路径的谱图聚类 | 第87-90页 |
| ·谱聚类 | 第87-88页 |
| ·基于路径的谱聚类 | 第88-90页 |
| ·基于路径相对相似度的谱聚类 | 第90-92页 |
| ·相对相似度 | 第90-91页 |
| ·基于路径的相对相似度 | 第91-92页 |
| ·基于路径相对相似度的半监督谱聚类 | 第92-93页 |
| ·算法分析 | 第93页 |
| ·实验分析 | 第93-96页 |
| ·MNIST数据实验 | 第93-94页 |
| ·图像分割实验 | 第94-96页 |
| ·本章小结 | 第96-97页 |
| 第6章 仿生信息几何学的应用研究 | 第97-114页 |
| ·引言 | 第97页 |
| ·仿生信息几何学在图像检索中的应用 | 第97-107页 |
| ·基于内容的图像检索简述 | 第97-99页 |
| ·均匀区域视觉特征提取 | 第99-103页 |
| ·图像检索实验分析 | 第103-107页 |
| ·图像库 | 第104页 |
| ·相似性量度 | 第104-105页 |
| ·评价标准 | 第105-106页 |
| ·实验结果分析 | 第106-107页 |
| ·仿生信息几何学在图像配准中的应用 | 第107-112页 |
| ·图像配准简述 | 第107-108页 |
| ·基于梯度计算的图像特征点提取 | 第108-110页 |
| ·图像配准实验分析 | 第110-112页 |
| ·相似性量度 | 第110-111页 |
| ·错误点对排除 | 第111页 |
| ·实验结果分析 | 第111-112页 |
| ·本章小结 | 第112-114页 |
| 第7章 总结和展望 | 第114-116页 |
| ·总结 | 第114-115页 |
| ·对后续工作的展望 | 第115-116页 |
| 参考文献 | 第116-123页 |
| 致谢 | 第123-124页 |
| 攻读学位期间参加的科研项目和成果 | 第124页 |
