基于概率神经网络的图像细粒度情感分类
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-17页 |
| 1.1 课题研究的背景和意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文的主要工作和创新点 | 第14-15页 |
| 1.3.1 主要工作 | 第14-15页 |
| 1.3.2 创新点 | 第15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 2 图像相关理论介绍 | 第17-29页 |
| 2.1 图像低层次视觉特征 | 第17-26页 |
| 2.1.1 颜色特征 | 第17-21页 |
| 2.1.2 纹理特征 | 第21-23页 |
| 2.1.3 形状特征 | 第23-26页 |
| 2.2 基于神经网络的图像分类算法 | 第26-28页 |
| 2.2.1 人工神经网络 | 第26-27页 |
| 2.2.2 BP神经网络 | 第27页 |
| 2.2.3 径向基神经网络 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 3 基于增量式贝叶斯文本情感分类算法 | 第29-43页 |
| 3.1 文本分类 | 第29-35页 |
| 3.1.1 文本向量空间模型 | 第30-31页 |
| 3.1.2 文本特征权重 | 第31-33页 |
| 3.1.3 文本特征选择 | 第33-35页 |
| 3.2 朴素贝叶斯 | 第35-37页 |
| 3.2.1 贝叶斯定理 | 第35页 |
| 3.2.2 朴素贝叶斯分类 | 第35-37页 |
| 3.3 贝叶斯增量模型 | 第37-39页 |
| 3.3.1 贝叶斯增量学习模型 | 第38-39页 |
| 3.3.2 增量学习模型中的序列选择问题 | 第39页 |
| 3.4 改进的增量学习模型 | 第39-42页 |
| 3.4.1 算法思想 | 第40-41页 |
| 3.4.2 算法描述 | 第41页 |
| 3.4.3 算法分析 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 基于概率神经网络的图像情感分类算法 | 第43-51页 |
| 4.1 概率神经网络 | 第43-45页 |
| 4.2 本文算法模型 | 第45-50页 |
| 4.2.1 低层次特征无法解决的问题 | 第45-46页 |
| 4.2.2 几种常用的映射关系的建立 | 第46-48页 |
| 4.2.3 本文算法思想及描述 | 第48-50页 |
| 4.2.4 算法分析 | 第50页 |
| 4.3 本章小结 | 第50-51页 |
| 5 实验结果与分析 | 第51-58页 |
| 5.1 分类器评价指标 | 第51-52页 |
| 5.2 算法实验 | 第52-58页 |
| 5.2.1 文本情感分类实验结果及分析 | 第52-54页 |
| 5.2.2 图像情感分类实验结果及分析 | 第54-58页 |
| 6 工作总结与展望 | 第58-60页 |
| 6.1 工作总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读学位期间发表或录用的学术论文 | 第64-65页 |
| 致谢 | 第65页 |
