分布式信息论学习
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第17-31页 |
| 1.1 分布式信息论学习的研究背景 | 第17-20页 |
| 1.2 信息论学习 | 第20-24页 |
| 1.3 分布式处理的网络结构和计算范式 | 第24-27页 |
| 1.4 本文研究内容与结构安排 | 第27-31页 |
| 2 基于最小化误差熵的分布式参数估计 | 第31-54页 |
| 2.1 引言 | 第31-32页 |
| 2.2 问题模型及扩散式LMS算法 | 第32-33页 |
| 2.3 熵估计器 | 第33-35页 |
| 2.4 基于最小化误差熵的分布式估计算法 | 第35-42页 |
| 2.5 仿真实验与结果 | 第42-52页 |
| 2.6 本章讨论与小结 | 第52-54页 |
| 3 基于最大化互信息的分布式聚类 | 第54-77页 |
| 3.1 引言 | 第54-55页 |
| 3.2 信息论测度的选择 | 第55-57页 |
| 3.3 基于最大化互信息的分布式聚类算法 | 第57-63页 |
| 3.4 仿真实验与结果 | 第63-76页 |
| 3.5 本章小结 | 第76-77页 |
| 4 基于最小化KL散度的分布式向量量化 | 第77-93页 |
| 4.1 引言 | 第77-78页 |
| 4.2 基于最小化KL散度的集中式向量量化算法 | 第78-82页 |
| 4.3 基于扩散式合作策略的分布式扩展 | 第82-84页 |
| 4.4 仿真实验与结果 | 第84-92页 |
| 4.5 本章小结 | 第92-93页 |
| 5 基于多种信息论准则的分布式半监督度量学习 | 第93-117页 |
| 5.1 引言 | 第93-94页 |
| 5.2 基于数据对约束的半监督度量学习 | 第94-97页 |
| 5.3 分布式半监督度量学习的框架与算法 | 第97-106页 |
| 5.4 仿真实验与结果 | 第106-116页 |
| 5.5 本章小结 | 第116-117页 |
| 6 总结与展望 | 第117-118页 |
| 参考文献 | 第118-127页 |
| 作者简历与主要研究成果 | 第127-128页 |
