摘要6-7
Abstract7-11
第一章 绪论11-15
1.1 探讨作用与探讨近况11-12
1.2 有限混合模型介绍12-13
1.3 本论文主要工作与结构安排13-15
第二章 广义GAMMA混合模型及其参数估计15-22
2.1 广义GAMMA混合模型的定义15-16
2.2 EM算法及在高斯混合模型参数估计中的运用16-18
2.3 广义GAMMA混合模型的EM算法参数估计18-21
2.3.1 E步18
2.3.2 M步18-21
2.4 本章小结21-22
第三章 基于PSOEM算法的广义GAMMA混合模型参数估计22-35
3.1 PSO算法介绍22-24
3.1.1 概述22
3.1.2 基本微粒群算法22-24
3.2 PSO算法的改善24-26
3.2.1 带有惯性因子的改善微粒群算法24-25
3.2.2 变学习因子的改善微粒群算法25-26
3.2.3 带收缩因子的改善微粒群算法26
3.3 PSO算法运用于广义GAMMA混合模型的参数估计26-28
3.4 PSO算法改善仿真浅析28-33
3.4.1 惯性权重设置为随机28-29
3.4.2 惯性权重设置为线性递减29
3.4.3 惯性权重设置为自适应29-30
3.4.4 变换学习因子的PSO算法30-32
3.4.5 各种权重的比较32-33
3.5 PSOEM算法与随机初始化EM算法性能比较33-34
3.6 本章小结34-35
第四章 最小信息长度准则MML35-58
4.1 MML介绍35
4.2 MML论述推导35-37
4.3 MML论述运用于无监督学习37-47
4.3.1 先验的设定39-46
4.3.2 FISHER信息的计算46-47
4.4 MML与其它准则的比较47-49
4.4.1 AIC准则47
4.4.2 BIC准则47-48
4.4.3 MDL准则48-49
4.5 仿真浅析49-57
4.5.1 各种先验设定情况下,MML准则的性能体现49-52
4.5.2 MML准则与其它准则的性能比较仿真52
4.5.3 三分量广义GAMMA混合分布合成数据的参数估计仿真52-53
4.5.4 四分量广义GAMMA混合分布合成数据的参数估计仿真53-56
4.5.5 SAR图像数据的参数估计仿真56-57
4.6 本章小结57-58
结论与展望58-59
致谢59-60