文摘
英文文摘
论文说明:图表目录
声明
第一章绪论
1.1引言
1.2统计模式识别
1.3统计形状分析在模式识别中的作用
1.4模式识别中的无监督学习
1.5本文的研究内容与章节安排
第二章统计形状分析的理论和方法
2.1引言
2.2国内外研究现状
2.3主动轮廓线模型
2.4主动形状模型
2.4.1地标点
2.4.2主动形状模型的建立
2.5形状描述与特征提取
2.5.1形状的描述
2.5.2形状描述的傅立叶方法
2.5.3保持相位信息的傅立叶函数归一化
2.5.4基于概率模型的形状编辑距离
2.6小结
第三章微分流形形状分析的理论和方法
3.1引言
3.2流形的概念
3.2.1带参数的轮廓描述
3.2.2切线,方向函数和曲率函数
3.3基于微分流形的形状空间构建
3.3.1基于方向函数形状空间构建
3.3.2基于曲率函数的形状空间构建
3.4形状之间的测地线路径
3.5小结
第四章有限线性混合模型的无监督学习
4.1引言
4.2无监督学习已有算法
4.2.1分层的方法
4.2.2分割的方法
4.2.3图论的方法
4.3混合模型的无监督学习
4.3.1混合模型定义
4.3.2混合模型的可辨识性
4.4有限混合模型密度的参数估计方法
4.4.1参数估计的相关方法
4.4.2有限线性混合模型密度参数估计的极大似然方法
4.5有限线性混合模型参数估计的期望最大化算法
4.5.1混合模型参数估计的期望最大化算法
4.5.2基于多维高斯混合模型的期望最大化算法
4.5.3基于多维t混合模型的期望最大化算法
4.6实验结果
第五章混合模型分支数的选择
5.1引言
5.2解决模型分支数的研究现状
5.2.1似然函数法
5.2.2其他方法
5.3基于次胜者受罚的混合模型分支数的选择
5.3.1传统的竞争学习
5.3.2次胜者受罚的竞争学习
5.3.3次胜者受罚的有约束竞争学习算法
5.3.4随机的次胜者受罚的竞争学习算法
5.4基于次胜者受罚的混合模型分支数选择的算法
5.4.1加权极大似然估计
5.4.2基于加权极大似然估计的次胜者受罚期望最大化算法
5.5基于高斯混合模型的次胜者受罚期望最大化算法
5.5.1多维高斯混合模型的加权似然函数
5.5.2多维高斯混合模型的次胜者受罚期望最大化算法
5.6基于t混合模型分支数估计的次胜者受罚期望最大化算法
5.6.1多维t混合模型的加权似然函数
5.6.2多维t混合模型的次胜者受罚期望最大化算法
5.7实验结果
第六章总结
参考文献
攻读博士学位期间发表的论文
攻读博士学位期间所参加的科研项目
致谢