| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-14页 |
| 第零章 绪论 | 第14-26页 |
| ·引言 | 第14-18页 |
| ·模式识别的五种基本方法 | 第15-16页 |
| ·统计模式识别系统 | 第16-18页 |
| ·统计模式识别中的无监督方法 | 第18-22页 |
| ·无监督分类 | 第19-20页 |
| ·维数灾难与无监督特征提取 | 第20-22页 |
| ·论文的研究内容、组织结构及创新之处 | 第22-26页 |
| 第一章 有限混合模型的极大似然拟合及其期望最大化算法 | 第26-38页 |
| ·引言 | 第26-27页 |
| ·有限混合模型的定义及说明 | 第27-30页 |
| ·有限混合模型的定义 | 第27-28页 |
| ·混合模型释义 | 第28-29页 |
| ·混合模型的可辨识性 | 第29-30页 |
| ·混合模型的极大似然拟合 | 第30-35页 |
| ·极大似然估计 | 第30-32页 |
| ·应用期望最大化算法于混合模型 | 第32-35页 |
| ·多维Gauss混合模型 | 第35-37页 |
| ·异方差Gauss分量 | 第35-36页 |
| ·等方差Gauss分量 | 第36-37页 |
| ·本章小节 | 第37-38页 |
| 第二章 有数据随机丢失时多维t混合的鲁棒建模 | 第38-52页 |
| ·引言 | 第38-40页 |
| ·多维t分布的定义 | 第40-41页 |
| ·多维t混合模型的极大似然拟合 | 第41-43页 |
| ·有数据随机丢失时多维t混合模型的极大似然拟合 | 第43-49页 |
| ·E步 | 第44-48页 |
| ·M步 | 第48-49页 |
| ·实验结果 | 第49-51页 |
| ·本章小节 | 第51-52页 |
| 第三章 混合模型中分量数目的估计 | 第52-66页 |
| ·引言 | 第52-56页 |
| ·文献综述：混合模型阶数的估计方法 | 第53-56页 |
| ·估计混合模型阶数的逐步分裂融合期望最大化算法 | 第56-59页 |
| ·逐步分裂融合期望最大化算法描述 | 第56-57页 |
| ·分裂和融合操作的准则 | 第57-59页 |
| ·实验结果 | 第59-65页 |
| ·例子 | 第60-63页 |
| ·性能分析 | 第63-65页 |
| ·讨论 | 第65页 |
| ·本章小节 | 第65-66页 |
| 第四章 线性、非线性主成分分析与因子分析 | 第66-78页 |
| ·引言 | 第66-68页 |
| ·主成分分析 | 第68-70页 |
| ·因子分析 | 第70-72页 |
| ·概率主成分分析 | 第72-73页 |
| ·混合因子分析器 | 第73-74页 |
| ·混合概率主成分分析器 | 第74-75页 |
| ·核主成分分析 | 第75-77页 |
| ·本章小节 | 第77-78页 |
| 第五章 概率二维主成分分析及其混合模型：人脸识别方法 | 第78-96页 |
| ·引言 | 第78-81页 |
| ·二维主成分分析 | 第81-82页 |
| ·概率二维主成分分析 | 第82-86页 |
| ·二维主成分分析的均值校正 | 第82-83页 |
| ·概率二维主成分分析的模型 | 第83-84页 |
| ·特征提取 | 第84-85页 |
| ·概率二维主成分分析的期望最大化算法 | 第85-86页 |
| ·混合概率二维主成分分析器 | 第86-88页 |
| ·实验结果 | 第88-95页 |
| ·在ORL图像库上的实验结果 | 第89-91页 |
| ·在UMIST图像库上的实验结果 | 第91-95页 |
| ·本章小节 | 第95-96页 |
| 第六章 核二维主成分分析：人脸识别的核方法 | 第96-108页 |
| ·引言 | 第96-97页 |
| ·核二维主成分分析 | 第97-104页 |
| ·基本的核二维主成分分析 | 第97-99页 |
| ·改进的核二维主成分分析Ⅰ | 第99-100页 |
| ·改进的核二维主成分分析Ⅱ | 第100-103页 |
| ·改进的核二维主成分分析Ⅲ | 第103-104页 |
| ·实验结果 | 第104-105页 |
| ·本章小节 | 第105-108页 |
| 第七章 总结与展望 | 第108-112页 |
| 参考文献 | 第112-126页 |
| 攻读博士学位期间发表的论文 | 第126-128页 |
| 致谢 | 第128页 |