声明
摘要
第一章 绪论(1)心理物理学函数
1.1 高阈值假设
1.2 信号检测理论校正
1.3 常见的心理物理学函数数学形式
1.3.1 韦伯(Weibull)方程
1.3.2 逻辑斯特(Logistic)方程
1.3.3 累积高斯(Cumulative Gaussian)方程
1.4 常见的拟合方法
1.4.1 一般线性方法(general linear model,GLM)
1.4.2 最大似然法(maximum likelihoo,ML)
1.4.3 贝叶斯方法(Bayesian)
1.4.4 局部线性拟合法(local linear fitting)
1.5 心理物理测量的采样方法
1.5.1 恒定刺激法(method of constant stimuli,MOCS)
1.5.2 阶梯法(Staircase methods)
1.5.3 贝叶斯自适应方法(Bayesian adaptive methods)
1.6 多维心理物理学函数的采样及拟合方法
1.7 小结
第二章 绪论(2)高斯过程简介
2.1 高斯过程(Gaussian Processes)
2.2 从贝叶斯线性模型到高斯过程
2.3 高斯过程建模
2.3.1 常用协方差函数
2.3.2 超参数(hyper-parameter)的学习
2.4 基于高斯过程的回归(Gaussian Processes Regression)
2.5 基于高斯过程的分类(Gaussian Processes Classification)
2.6 高斯过程的历史
2.7 高斯过程在生物医学中的应用
2.8 小结
第三章 二维心理物理学函数的参数化贝叶斯拟合
3.1 引言
3.2 实验方法
3.2.1 二维心理物理学函数
3.2.2 贝叶斯估计
3.2.3 自适应方法
3.2.4 仿真方法
3.2.5 心理物理学实验方法
3.3 实验结果
3.3.1 仿真实验结果
3.3.2 心理物理学实验结果
3.4 实验结果讨论
第四章 一维心理物理学曲线的非参贝叶斯估计
4.1 引言
4.2 实验方法
4.2.1 高斯过程分类
4.2.2 仿真实验方法
4.2.3 心理物理学函数的估计
4.3 实验结果
4.4 实验结果讨论
第五章 对比敏感度函数的非参贝叶斯估计
5.1 引言
5.2 实验方法
5.2.1 利用高斯过程分类估计对比敏感度函数
5.2.2 最大似然法估计对比敏感度函数
5.2.3 实验设备
5.2.4 仿真实验方法
5.3 实验结果
5.4 实验结果讨论
第六章 总结与展望
6.1 工作总结
6.2 工作展望
参考文献
致谢
个人简历
在读期间已(待)完成的工作