| 致谢 | 第1-6页 |
| 摘要 | 第6-9页 |
| ABSTRACT | 第9-17页 |
| 1 绪论 | 第17-35页 |
| ·研究背景及意义 | 第17-18页 |
| ·神经生物学依据 | 第18-27页 |
| ·视觉加工的结构 | 第18-20页 |
| ·视神经元的感受野结构 | 第20-25页 |
| ·V1区简单细胞的响应特性 | 第25-27页 |
| ·数学描述 | 第27-29页 |
| ·国内外研究概况 | 第29-32页 |
| ·发展历史 | 第29-30页 |
| ·研究现状 | 第30-31页 |
| ·存在问题 | 第31-32页 |
| ·本文研究重点及章节安排 | 第32-35页 |
| 2 稀疏编码算法及其基础知识概述 | 第35-59页 |
| ·基础预备知识 | 第35-48页 |
| ·信息论基础 | 第35-39页 |
| ·统计学基础 | 第39-45页 |
| ·最优化基础 | 第45-48页 |
| ·稀疏编码模型的实现 | 第48-56页 |
| ·生成模型 | 第48-49页 |
| ·假设前提 | 第49-51页 |
| ·目标函数 | 第51-52页 |
| ·学习规则 | 第52-53页 |
| ·预处理与学习结果 | 第53-55页 |
| ·基函数的完备性讨论 | 第55-56页 |
| ·稀疏编码算法与ICA及其它编码方法的关系 | 第56-58页 |
| ·小结 | 第58-59页 |
| 3 基于自然图像能量谱特性的自适应白化/低通滤波预处理 | 第59-83页 |
| ·引言 | 第59-60页 |
| ·能量谱与自相关函数 | 第60-61页 |
| ·能量谱的定义 | 第60页 |
| ·自相关函数的定义 | 第60-61页 |
| ·能量谱与自相关函数的关系 | 第61页 |
| ·自然图像的二阶相关性 | 第61-63页 |
| ·自相关函数的递减性 | 第61-62页 |
| ·能量谱的幂率递减性 | 第62-63页 |
| ·自然图像的能量谱白化过程 | 第63-72页 |
| ·白化的基本原理 | 第64-66页 |
| ·二阶去相关度量 | 第66-68页 |
| ·最佳白化参数的自适应选择过程 | 第68-71页 |
| ·与低通滤波器结合 | 第71-72页 |
| ·白化/低通预处理对高阶统计模型的影响分析 | 第72-81页 |
| ·基于稀疏编码模型的自然图像特征提取实验 | 第73-75页 |
| ·基于ICA模型的人脸图像识别实验 | 第75-81页 |
| ·小结 | 第81-83页 |
| 4 基于Lorentz自适应先验概率模型的稀疏编码算法 | 第83-103页 |
| ·引言 | 第83-89页 |
| ·稀疏编码模型的Bayes解释 | 第83-84页 |
| ·常用的先验概率分布 | 第84-85页 |
| ·广义 Laplace先验分布 | 第85-89页 |
| ·Loentz先验概率模型的理论可行性分析 | 第89-92页 |
| ·稀疏性 | 第89-91页 |
| ·Schur-凹性 | 第91-92页 |
| ·连续性 | 第92页 |
| ·基于Lorentz自适应先验概率模型的稀疏编码算法推导 | 第92-97页 |
| ·算法框架 | 第93-94页 |
| ·系数学习 | 第94-95页 |
| ·Lorentz密度的参数估计 | 第95-97页 |
| ·自然图像特征提取实验及结果分析 | 第97-101页 |
| ·数据准备及参数设置 | 第98页 |
| ·学习结果 | 第98-100页 |
| ·性能分析 | 第100-101页 |
| ·小结 | 第101-103页 |
| 5 基于Pearson VII型自适应先验概率模型的稀疏编码算法 | 第103-117页 |
| ·引言 | 第103页 |
| ·Pearson VII型分布及其尾部特征分析 | 第103-105页 |
| ·Pearson VII型先验概率模型的理论可行性分析 | 第105-110页 |
| ·稀疏性 | 第105-109页 |
| ·Schur-凹性 | 第109页 |
| ·连续性 | 第109-110页 |
| ·基于Pearson VII型自适应先验模型的稀疏编码算法推导 | 第110-113页 |
| ·算法框架 | 第110页 |
| ·系数学习 | 第110-111页 |
| ·Pearson VII型密度的参数估计 | 第111-113页 |
| ·自然图像特征提取实验及结果分析 | 第113-116页 |
| ·小结 | 第116-117页 |
| 6 自适应先验概率模型在盲源分离中的应用 | 第117-135页 |
| ·盲源分离概述 | 第117-122页 |
| ·研究背景及意义 | 第117-118页 |
| ·数学模型及 ICA约束条件 | 第118-119页 |
| ·目标函数 | 第119-120页 |
| ·学习规则 | 第120-122页 |
| ·基于自适应先验概率模型的FastICA分离算法 | 第122-126页 |
| ·算法结构 | 第123-124页 |
| ·与Lorentz先验概率模型结合 | 第124-125页 |
| ·与Pearson VII型先验概率模型结合 | 第125-126页 |
| ·盲源分离实验及结果分析 | 第126-133页 |
| ·数据准备 | 第127-128页 |
| ·分离结果 | 第128-131页 |
| ·性能分析 | 第131-133页 |
| ·小结 | 第133-135页 |
| 7 总结与展望 | 第135-139页 |
| ·全文工作总结 | 第135-136页 |
| ·进一步研究设想 | 第136-137页 |
| ·结束语 | 第137-139页 |
| 参考文献 | 第139-149页 |
| 附录A Pearson VII型分布及其数字特征 | 第149-153页 |
| 附录B 双曲正切对比函数的稀疏性 | 第153-155页 |
| 作者简历 | 第155-159页 |
| 学位论文数据集 | 第159页 |
