| 摘要 | 第1-7页 |
| Abstract | 第7-15页 |
| 第一章 绪论 | 第15-25页 |
| ·研究背景 | 第15-17页 |
| ·非参数贝叶斯推理研究现状 | 第17-23页 |
| ·贝叶斯推理的发展历程 | 第17-19页 |
| ·贝叶斯知识的图模型表示 | 第19-20页 |
| ·贝叶斯推理算法分类 | 第20-22页 |
| ·非参数贝叶斯推理的发展历程及进展 | 第22页 |
| ·现存问题 | 第22-23页 |
| ·本文的主要工作与总体框架 | 第23-25页 |
| 第二章 非参数贝叶斯推理 | 第25-49页 |
| ·引言 | 第25页 |
| ·贝叶斯参数化思想 | 第25-26页 |
| ·完整的贝叶斯参数化分析 | 第26-33页 |
| ·先验知识的编码 | 第26-29页 |
| ·基于向量空间的贝叶斯分析 | 第29-32页 |
| ·先验分布的不唯一性的讨论 | 第32-33页 |
| ·贝叶斯非参数分析 | 第33-37页 |
| ·贝叶斯非参数模型数据的产生机理分析 | 第33页 |
| ·Dirichlet 过程 | 第33-35页 |
| ·Dirichlet 过程混合模型 | 第35-36页 |
| ·非参数先验的不确定性传递 | 第36-37页 |
| ·随机抽样推理 | 第37-43页 |
| ·贝叶斯拒绝采样算法 | 第39页 |
| ·马尔科夫链蒙特卡洛算法 | 第39-40页 |
| ·Metropolis-Hastings 采样算法 | 第40-41页 |
| ·吉布斯采样器 | 第41-42页 |
| ·蒙特卡洛积分 | 第42-43页 |
| ·无穷维混合模型的推理 | 第43-45页 |
| ·无穷维混合模型及DP | 第43-44页 |
| ·MCMC 逼近推理 | 第44-45页 |
| ·高斯观测量的正态逆WISHART 分析 | 第45-48页 |
| ·高斯推理 | 第46页 |
| ·正态逆wishart 分布 | 第46-47页 |
| ·共轭先验及预测 | 第47-48页 |
| ·小结 | 第48-49页 |
| 第三章 噪声辨识与信号提取的非参数贝叶斯推理算法研究 | 第49-73页 |
| ·引言 | 第49-50页 |
| ·问题的提出 | 第50-51页 |
| ·噪声辨识模型 | 第51-53页 |
| ·系统辨识概述 | 第51页 |
| ·噪声辨识的非参数贝叶斯推理 | 第51-52页 |
| ·DP 用于DPM 推理的可分析性 | 第52-53页 |
| ·线性动态系统噪声的参数化辨识 | 第53-55页 |
| ·PKF 参数化辨识 | 第54页 |
| ·VBKF 参数化辨识 | 第54-55页 |
| ·基于块采样的噪声非参数化辨识方法 | 第55-66页 |
| ·关于噪声密度未知的贝叶斯非参数估计 | 第55-57页 |
| ·线性动态系统基于块采样的推理算法 | 第57-59页 |
| ·仿真算例 | 第59-66页 |
| ·基于中国餐馆过程混合模型的状态估计 | 第66-69页 |
| ·中国餐馆过程 | 第66页 |
| ·中国餐馆过程混合模型 | 第66-67页 |
| ·参、潜变量的抽取规则 | 第67-68页 |
| ·仿真算例 | 第68-69页 |
| ·实验数据验证 | 第69-72页 |
| ·参数设定 | 第70页 |
| ·实验结果及分析 | 第70-72页 |
| ·小结 | 第72-73页 |
| 第四章 基于Dirichlet 过程混合的高斯过程模型混合采样研究 | 第73-98页 |
| ·引言 | 第73-74页 |
| ·高斯过程回归及预测 | 第74-77页 |
| ·高斯随机函数 | 第74-76页 |
| ·协方差函数 | 第76-77页 |
| ·高斯过程的贝叶斯分析及预测 | 第77页 |
| ·高斯过程函数回归混合模型的参数化分析 | 第77-79页 |
| ·参数化优化方法 | 第78页 |
| ·贝叶斯预测 | 第78-79页 |
| ·贝叶斯非参数分析方案架构 | 第79-90页 |
| ·基于Dirichlet 过程混合的高斯过程模型 | 第79-80页 |
| ·MCMC 算法 | 第80-83页 |
| ·层采样技术 | 第83-87页 |
| ·Dirichlet 过程混合模型超参数α的更新 | 第87-88页 |
| ·基于Dirichlet 过程混合的高斯过程的混合采样算法 | 第88-90页 |
| ·仿真算例 | 第90-94页 |
| ·参数选定 | 第90-93页 |
| ·结果分析 | 第93-94页 |
| ·真实数据实验验证 | 第94-97页 |
| ·小结 | 第97-98页 |
| 第五章 可交换文本主题抽取研究 | 第98-118页 |
| ·引言 | 第98-99页 |
| ·可交换数据模型 | 第99-100页 |
| ·贝叶斯模型选择准则 | 第100-104页 |
| ·边沿似然函数与奥卡姆剃刀原理 | 第100-103页 |
| ·贝叶斯积分的逼近 | 第103-104页 |
| ·完全可交换文本的主题提取 | 第104-105页 |
| ·LDA 模型主题个数的确定 | 第105-117页 |
| ·模型先验分布的选择 | 第105页 |
| ·模型结构的马尔科夫链的展开 | 第105-106页 |
| ·图模型的变分逼近机理 | 第106-109页 |
| ·LDA 图模型变分推理 | 第109-112页 |
| ·p ( D m ) 的BIC 逼近 | 第112-114页 |
| ·模型结构选择的MCMC 算法 | 第114页 |
| ·真实文本数据实验验证及结果分析 | 第114-117页 |
| ·小结 | 第117-118页 |
| 第六章 总结与展望 | 第118-122页 |
| ·总结与结论 | 第118-120页 |
| ·本文工作总结 | 第118-119页 |
| ·本文创新点 | 第119-120页 |
| ·研究展望 | 第120-122页 |
| 参考文献 | 第122-133页 |
| 致谢 | 第133-134页 |
| 攻读博士学位期间发表及录用学术论文情况 | 第134页 |
