导读:本文包含了概率加权论文开题报告文献综述及选题提纲参考文献，主要关键词:支持向量机,多分类,概率估计
概率加权论文文献综述
宋彦,武峥,罗川,景英川[1]（2019）在《基于加权支持向量机的多分类概率估计》一文中研究指出多分类问题与概率估计在各大领域尤其是生物学和医学方面具有许多重要的应用。支持向量机作为在许多分类问题中都能取得高准确率的算法,却不能对类别进行概率估计。文章提出一种基于加权支持向量机的多分类概率估计算法,该算法将支持向量机作为基础模型,以分类准确率衡量算法的表现,利用不平衡数据对分类结果的影响,对分类样本的损失函数进行加权处理,根据权重求得类别的概率估计值。通过数值模拟和实证研究,验证了本文所提出的多分类概率估计方法在多分类问题中的分类预测效果显着优于其他通过概率估计进行分类的方法。(本文来源于《统计与决策》期刊2019年21期）
程豪[2]（2019）在《逆概率加权多重插补法在中国居民收入影响因素中的应用研究》一文中研究指出在分位回归中,自变量缺失是一种重要的数据缺失问题。尤其当自变量缺失与因变量有关时,已有的多重插补法会带来有偏估计。通过逆概率加权,将修正后的逆概率加权多重插补法用于模拟研究和应用研究。模拟研究表明,在不同的缺失相关程度下,逆概率加权多有效解决了同工作时间的数据缺失问题,同时重插补法能够有效减少估计偏差,并在一定程度上保证估计量的有效性。在中国综合社会调查(CGSS)的应用研究中,该方法有效解决了周工作时间的数据缺失问题,同时揭示了影响年收入的重要因素,说明该方法具有一定的应用价值。(本文来源于《统计与信息论坛》期刊2019年07期）
赵立新,董朝贤,赵丽[3]（2019）在《基于FCM聚类的WSN加权概率簇头选择算法》一文中研究指出针对传统LEACH算法能量消耗快、网络寿命低的问题,提出一种无线传感器网络(Wireless Sensor Network,WSN)路由协议中基于FCM聚类的加权概率簇头选择算法,该算法主要优化了簇头的选择。首先根据FCM聚类算法,以节点位置坐标为参考将WSN分为若干个区域。假设WSN是由具有不同节点能量的异构节点组成,根据不同的节点类型,利用加权概率的概念选择网络簇的簇头,同时使簇头节点的分布更加均匀。仿真结果表明,改进算法明显提升了路由效果并延长了网络的寿命。(本文来源于《控制工程》期刊2019年06期）
宋彦[4]（2019）在《基于加权支持向量机的概率估计在个人信用评估中的研究》一文中研究指出近年来,随着中国经济的快速发展,个人小额信贷业务持续增长,像住房按揭、信用卡、汽车贷款等个人消费贷款需求逐步扩大。在信用贷款中,申请人(客户)通常关心能否及时发放贷款;而金融机构则担心申请人(客户)能否在预定的时间内偿还贷款,以降低信用违约所带来的经济损失。目前,我国的个人信用评估体系尚不完善,贷款违约时有发生。为了减少损失、节约成本并科学发放贷款,需要一个准确且合理的个人信用评估体系作为支撑。个人信用评估体系的核心是根据以往信贷申请人的个人信息建立信用评估模型,并依据个人信用评估模型预测新的信贷申请人能否按时还款,从而决定是否为其发放贷款。良好的信用评估模型不仅可以帮助金融机构准确预测申请人的个人信用,从而准确且高效地处理贷款审批,有效地规避信用风险、降低经济损失,也有利于信用好的申请人更快地申请到的贷款,提高经济运行效率。本文通过回顾以往个人信用评估模型,发现当前个人信用评估模型存在如下问题:第一,现今社会已处于大数据时代,个人信用评估数据不仅数据量大,而且数据维数较高,传统的基于统计学习方法的个人信用评估模型计算成本大;第二,传统的基于机器学习的个人信用评估模型尽管计算速度快,但大多只能进行分类不能进行概率估计,个人信用评估模型如果可以进行概率估计,能极大提高模型的适用范围。针对以上不足,本文对传统的支持向量机(Support Vector Machine,SVM)模型进行改进,建立了加权支持向量机(Weighted-Support Vector Machine,w-SVM)的概率估计模型,将w-SVM的概率估计模型用在个人信用评估中。首先,w-SVM的概率估计模型将两类样本,即“违约”客户和“不违约”客户的损失函数加权处理;其次,在信贷审批中,不同额度的借贷对用户信誉的要求不同,w-SVM的概率估计模型可以对两类样本进行概率估计,从而根据实际情况设定阈值,最终将客户分类为“违约”客户和“不违约”客户,从而提高模型的适用性;最后,本文将w-SVM的概率估计模型与逻辑斯蒂回归(Logistic Regresion,LR)模型、随机森林(Random Forest,RF)模型、传统的SVM模型进行对比,综合考虑模型预测的准确率、召回率、精确度、_2F、AUC(Area Under Curve)各项指标,证实了w-SVM的概率估计模型在个人信用评估中具有显着优势。(本文来源于《太原理工大学》期刊2019-06-01）
赵赟晶,周元峰,魏广顺,辛士庆,高珊珊[5]（2019）在《概率加权测地距离的脑部MR图像超像素分割》一文中研究指出超像素是一种重要的图像过分割,因为医学图像具有边界模糊、不同组织的灰度范围互相重迭的特点,为超像素分割带来极大困难.针对脑部MR图像超像素生成问题,从脑部MR图像的特点出发,充分利用脑部MR图像表达先验知识,结合脑部MR图像的一般结构,定义每个像素属于脑组织中一个类别的概率,并基于分类概率提出一种有效的边界梯度计算方法;在此基础上,提出一种概率密度加权的测地距离脑部MR图像超像素分割算法;最后应用模糊C均值聚类算法作为后续分割处理,获得脑部MR图像的组织分类.与现有算法在分割性能上进行定量比较的实验结果表明,文中算法能够产生更准确的分割边界.(本文来源于《计算机辅助设计与图形学学报》期刊2019年05期）
邰凌楠,王春雨,田茂再[6]（2018）在《缺失数据下的逆概率多重加权分位回归估计及其应用》一文中研究指出数据缺失问题普遍存在于应用研究中。在随机缺失机制假定下,本文从模型推断角度出发,针对线性缺失分位回归模型,提出一种新的有效估计方法——逆概率多重加权(IPMW)估计。该方法是在逆概率加权(IPW)估计的基础上,结合倾向得分匹配及模型平均思想,经过多次估计,加权确定最终参数估计结果。该方法适用于响应变量是独立同分布或独立非同分布的情形,并适用于绝大多数数据缺失场景。经过理论推导及模拟研究发现,IPMW估计量在继承IPW估计量的优势上具有更稳健的性质。最后,将该方法应用于含有缺失数据的微观调查数据中,研究了经济较发达的准一线城市中等收入群体消费水平的影响因素,对比两种估计方法的估计结果,发现逆概率多重加权估计量的标准偏差更小,估计结果更稳健。(本文来源于《统计研究》期刊2018年09期）
肖杰,马伟峰,李伟,施展辉[7]（2018）在《一种考虑重汇聚结构的电路信号概率加权平均计算方法（英文）》一文中研究指出通过对电路结构的分析,提出了一种新的基于改进型加权平均算法的超大规模集成电路信号概率估算方法.在考虑基本门故障概率水平的基础上,首先基于同源信号汇聚原则标识重汇聚扇出源对应的第一重汇聚扇入节点,以定位重要的信号相关性节点.通过敏化通路标识电路中多重汇聚结构的重汇聚扇入节点,以确定信号概率计算干扰源.然后,结合加权平均思想计算节点的加权信号概率,以修正其信号概率.最后,通过信号概率混合计算策略量化了扇出重汇聚,以减少多重汇聚对精度的影响.在ISCAS85基准电路上的实验结果表明,所提方法的计算时空开销随基本门数量的增加呈线性增长的趋势,且其精度比改进型加权平均算法提高了.2%.(本文来源于《Journal of Southeast University(English Edition)》期刊2018年02期）
郭威[8]（2018）在《基于统计学习的逆概率加权方法研究及其在医学中的应用》一文中研究指出研究背景:探讨处理/暴露因素与结局之间的因果效应是医学研究中的重要课题。随机对照试验通常被认为是因果效应估计的金标准。在观察性研究中,研究对象的处理分配机制通常不是随机发生的,而是会受到众多混杂因素的影响。在比较处理组间的暴露效应时,如果忽略这些混杂因素,效果估计就会发生偏倚。基于边际结构模型的逆概率加权法(inverse probability weighing,IPW)是一类可用于观察性资料处理效应估计的重要方法。IPW在应用时需要满足一些前提假设,比如无遗漏未观测混杂因素、非负性假设、稳定单元处理值假设以及要正确设定权重估计模型等。对于IPW而言,第一阶段的逆概率权重估计非常关键,这是因为最终的处理效应估计对于第一阶段的权重估计准确与否非常敏感。如果权重估计模型设定错误(如遗漏二次项或交互项等),估计的权重就不准确,且容易产生极端权重,导致最终的效应估计发生偏倚。近年来,越来越多的研究人员推荐采用包括许多统计学习算法在内的数据适应性方法估计逆概率权重,取得了良好的效果。然而,目前的研究大多局限于二分类处理因素资料以及单一结局纵向生存资料。医学实践中存在着许多处理/暴露因素为连续性变量的资料以及时依性竞争风险生存资料。对于处理因素为连续性变量的资料类型而言,采用IPW进行效应估计要比二分类处理因素的情况更复杂,比如要考察处理因素的分布类型、控制较多的极端权重对于效应估计的影响等。对于时依性竞争风险生存资料而言,传统的边际结构原因别风险模型(marginal structural cause specific hazard models,MSCSHM)中的逆概率权重是多次随访所得的权重累乘所得。即使权重估计模型设定发生了比较轻微的错误,最终处理效应估计都将可能发生严重的偏倚。有鉴于此,探索基于统计学习算法的逆概率加权法在连续性处理因素资料以及时依性竞争风险生存资料中的适用效果具有潜在的理论意义和实际应用价值。研究目的:1、针对连续性处理因素的资料,通过模拟研究比较包括一般线性模型在内的7种逆概率权重估计方法在不同数据情境下的估计效果。同时,以一般线性模型为例,探讨权重截断方法对于效应估计的影响。2、针对时依性竞争风险生存资料,在MSCSHM的基础上,引入8种统计学习方法估计逆概率权重。通过模拟研究比较logistic回归与这8种方法在不同数据情境下的估计效果,筛选出其中表现较优的方法。另外,探讨不同程度的权重截断水平对于各个估计方法的影响。研究方法:针对以上两个研究目的,均分别采用数据模拟→模型构建→模型筛选→实例应用的研究流程开展研究。分述如下:1、连续性处理因素的逆概率加权方法研究采用蒙特卡洛法模拟处理因素为连续性变量的观察性队列资料。模拟实验设置叁种不同大小的样本量(250、1000和2500)和四种不同复杂程度的处理因素生成模型(线性可加、非线性、非可加以及非线性非可加模型),比较一般线性模型(general linear model,GLM)、gamma回归模型、分位数分组法(quantile binning,QB)、协变量均衡性倾向性评分(covariate-balancing propensity score,CBPS)、非参数CBPS(nonparametric CBPS,npCBPS)、boosted分类与回归树(boosted classification and regression trees,boosted CART)和随机森林(random forest,RF)等7种方法估计广义倾向性评分和逆概率权重,另外,对由GLM得到的稳定权重分别在双侧1%和5%分位点进行截断处理,得到相应的截断权重。进一步,利用得到的9个权重变量对原始样本加权,通过加权结局回归模型得到各自的处理效应估计量。采用平均绝对相关系数(average absolute correlation coefficient,AACC)、相对偏倚(relative bias)、经验标准差(standard deviation,SD)、模型输出的标准误(standard error,SE)、均方根误差(root mean squared error,RMSE)和95%置信区间(confidence interval,CI)覆盖率等指标评价估计效果。最后通过研究吸烟量对于医疗总支出的影响,比较不同的IPW估计方法在实际数据分析时的应用效果。2、时依性竞争风险生存数据的逆概率加权方法研究首先提出采用MSCSHM作为本研究的基础框架,引入LASSO、贝叶斯logistic回归、CART、bagged CART、boosted CART、随机森林、支持向量机(support vector machine,SVM)和EL(ensemble learner)算法等8种统计学习方法构造第一阶段的逆概率权重。然后采用蒙特卡洛法模拟时依性竞争风险生存数据。模拟设置了两种不同大小的样本量(250和1000)、不同强度的处理因素序列的自相关性(相关系数为log(4)和0.5)、不同的竞争终点事件数(2和3)以及四种处理因素生成模型(线性可加、非可加、非线性以及非线性非可加模型)。分别采用logistic回归和上述8种统计学习方法估计稳定权重。另外,分别在稳定权重分布的双侧1%、5%、10%、25%、35%和50%分位点进行截断处理,探讨不同的截断水平对于处理效应估计的影响。采用绝对偏倚、相对偏倚、SD、SE、RMSE和95%CI覆盖率等指标评价估计效果,探索不同数据情境下的最优方法。最后,将筛选得到的最优方法应用于评估硫唑嘌呤暴露对于炎症性肠病患者的(I)恶性肿瘤及死亡的发生风险以及(II)非恶性肿瘤相关死亡的发生风险,与传统的分析方法得到的结果进行对比,评价研究方法在实际数据分析时的应用效果。上述研究过程均采用统计分析软件R 3.4.3中实现。研究结果:1、连续性处理因素的逆概率加权方法研究(1)模拟研究结果:(1)在均衡协变量的能力方面,CBPS在所有方法中表现最好,其次为npCBPS。直接采用GLM法得到的原始稳定权重对样本加权,协变量分布仍然不均衡,通过权重截断方法去除极端值后,采用GLM(1,99)加权后的样本的协变量均衡性显着改善。(2)Boosted CART和RF在不同程度的权重估计模型误设的情况下的估计偏倚均较小,在减小偏倚方面优于其他方法。(3)由GLM、GLM(1,99)和GLM(5,95)叁者的SD可以看出,权重截断方法可以减小估计量的方差,且随着截断水平的提高,方差逐渐变小。(4)CBPS、npCBPS和boosted CART的RMSE较小,估计精度较高。由于权重截断减小了方差,致使GLM(5,95)和GLM(1,99)的RMSE小于前述叁种方法。(5)随着处理因素生成模型复杂度的上升,各个方法的95%CI覆盖率均有不同程度的下降。GLM(1,99)、CBPS、npCBPS和boosted CART四种方法的表现相对稳健。(2)实例研究结果:通过“考察处理因素的分布-逆概率权重的估计-考察权重的分布-协变量均衡性的评价-剂量反应函数的估计”的分析流程研究了吸烟数量对于医疗总支出的影响。结果表明,随着吸烟量的增加,个人的医疗总支出也随之增加;在调整了相关混杂因素后,吸烟量对于医疗总支出的效应虽有所减弱,标准误增大,但是除了boosted CART(1,99)加权法得到的估计量具有临界统计学意义外,GLM(1,99)和RF(1,99)加权法得到的估计量仍具有显着的统计学意义。2、时依性竞争风险生存数据的逆概率加权方法研究(1)模拟研究结果:(1)当处理因素生成模型仅包括主效应项(线性可加)时,boosted CART估计量的偏倚较小,且在SD和RMSE方面表现最优,而基于参数logistic回归的估计量的SD较大,估计精度较差。(2)当处理因素生成模型仅包括二阶交互项(非可加)时,在大样本且处理因素序列强自相关时,boosted CART和RF的估计效果非常接近,且均优于其他方法;在小样本或处理因素序列中度自相关时,RF在偏倚和RMSE方面表现最优。(3)当处理因素生成模型包括非线性项时,boosted CART在偏倚、RMSE和95%CI覆盖率方面最优。(4)当处理因素生成模型同时包括二阶交互项和非线性项时,RF在RMSE和95%CI覆盖率方面表现最优。(5)低水平(如双侧1%分位点)的权重截断能够进一步减小boosted CART和RF两种方法的RMSE。(6)在相同的模拟情境下,多数估计方法的最优截断水平不尽相同;在不同的模拟情境下,同一种方法的最优截断水平也有差异。最优截断水平的选择具有数据依赖性。(2)实例研究结果:采用带有时依性协变量的Cox比例风险模型、分别基于logistic回归和boosted CART的MSCSHM分析硫唑嘌呤暴露对炎症性肠病患者的两个竞争终点事件的风险大小。结果显示,无论处理因素定义为过去3个月暴露还是累积暴露,各个模型的效应估计结果均未显示暴露效应具有统计学意义。研究结论:对于连续性处理因素资料,CBPS和npCBPS在均衡协变量方面的能力较强;在减小估计偏倚方面,boosted CART和RF等统计学习算法的表现较优;在采用IPW进行效应估计时,应首先考察权重变量的分布,若存在较多离群点,应首先对权重作截断处理,然后进行下一步的效应估计。对于时依性竞争风险生存资料,在采用MSCSHM模型进行效应估计时,由于实际资料中的处理分配机制往往未知,建议采用boosted CART和RF两种方法替代传统的logistic回归构建逆概率权重,以减小模型设定错误对于效应估计的影响。(本文来源于《中国人民解放军海军军医大学》期刊2018-05-01）
陈晓,李亚安,李余兴,蔚婧[9]（2018）在《基于距离加权的概率数据关联机动目标跟踪算法》一文中研究指出为了提高杂波环境下机动目标跟踪的实时性和精确性,在概率数据关联算法的基础上,引入距离加权的概念,以区分来自于目标的量测概率和来自于杂波的虚假概率,在一定程度上提高了概率数据关联算法在密集杂波环境下的非机动目标的跟踪性能.针对机动目标的跟踪,提出了一种适用于密集杂波环境下的联合交互式多模型概率数据关联跟踪算法,该算法利用距离加权的概率数据关联算法进行滤波.模拟实验结果表明:该算法可以在一定程度上提高密集杂波环境下机动目标跟踪的性能,能够更加有效、可靠地实现机动目标跟踪的目的.(本文来源于《上海交通大学学报》期刊2018年04期）
赵赟晶[10]（2018）在《基于概率密度加权测地距离的脑部MR图像分割问题研究与应用》一文中研究指出医学影像技术的快速发展,使其成为临床医疗的主要辅助手段。核磁共振图像(MRI)作为医学图像分割技术的研究核心,其成像特点具有较高的软组织分辨能力,便于进行大脑组织结构的识别和医学影像的量化分析,广泛应用于检查脑部病变组织、神经解剖等的研究中。因此,脑部MR图像分割是业界研究关注的主要对象、也是医学图像处理的重点问题。但是,由于医学图像的成像容易受噪声、磁场等外界因素的干扰,造成了医学影像模糊和不均匀;同时,医学图像涉及人体组织,成分较自然图像更复杂,对其分割的阈值差异要求更精细。以上这些都给医学图像分割研究的发展带来了极大的困难。对许多医学图像处理任务来说,超像素分割经常被作为预处理工作,是一种重要的过分割技术(Over-segmentation)。例如,将超像素(Superpixel)应用到脑部MR 图像的组织分割中,可以显着减少后处理步骤的工作量。然而,由于不—同脑部组织的灰度分布区间有重迭,不同组织之间的差别并不明显,大多数现有的超像素分割算法无法实现对弱边界情况的精确分割。本文从脑部MR图像的特点出发,充分利用脑部MR图像表达先验知识,在给定的脑部MR图像中观察脑组织的一般结构,通过定义每个像素属于其中一个类别的概率来克服困难,而不仅仅依赖于灰度信息,从而提出了一种基于概率密度加权测地距离的脑部MR图像分割算法,应用模糊C均值聚类算法作为后续处理,以获得脑部图像的组织分类。该算法创造性地融入概率密度函数,设计了一种更有效的梯度计算方法,使脑部不同组织之间的对比更加明显、每一个难于区分的细小边界都可以被检测到。本文的主要工作和创新点有以下几个方面:1.采用直方图统计预处理,将得到的样本值作为先验值进行概率密度估计。由于脑部图像灰质、白质、脑脊液不同组织的像素灰度值之间有重合的地方,因此很难检测到不同脑部组织确切的划分边界,导致每个像素点所属的类别都具有一个模糊度,难以直接对其分割。所以,本文首先进行直方图统计,将得到的样本值作为先验知识,用来在下一步中对图像上的每一个像素点进行概率密度估计。2.设计新的权重影响因子来定义测地距离,新的权重被定义为概率密度估计的梯度值,一种新的梯度计算的方法,称为基于概率密度的种子点敏感梯度。融入了概率密度函数,使脑部不同组织之间对比更加明显,梯度计算更加合理。新定义的测地距离称为基于概率密度加权测地距离并以此作为像素点的相似度度量标准,进行超像素初步分割。3.增加局部分割后处理过程,对超像素进行局部分裂,将像素点更准确地归类,进一步提高了超像素分割的准确度,用最简单最传统的FCM(模糊C均值聚类)模型进行最后的聚类,仍然可以取得理想的分类结果。最后,将基于概率密度加权测地距离的超像素分割技术、FCM等方法联系起来,在超像素的基础上得到脑部组织分割结果。实验结果表明,与现有技术相比,该算法产生的超像素具有更准确的分割边界,能够准确的区分出各个脑部组织,进一步提高了图像分割准确度。将本文所研究的医学图像分割即脑部MR图像分割技术应用于医学项目:颅脑MR图像叁维可视化系统中,进行颅脑组织分割,并在分割的基础上进行重建,构造颅脑叁维几何模型,重建后的叁维图像能够逼真的显示颅脑的叁维结构视图,有助于医生确诊、理解脑部回路构造、分析神经环路和病变组织等。(本文来源于《山东大学》期刊2018-04-20）
概率加权论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在分位回归中,自变量缺失是一种重要的数据缺失问题。尤其当自变量缺失与因变量有关时,已有的多重插补法会带来有偏估计。通过逆概率加权,将修正后的逆概率加权多重插补法用于模拟研究和应用研究。模拟研究表明,在不同的缺失相关程度下,逆概率加权多有效解决了同工作时间的数据缺失问题,同时重插补法能够有效减少估计偏差,并在一定程度上保证估计量的有效性。在中国综合社会调查(CGSS)的应用研究中,该方法有效解决了周工作时间的数据缺失问题,同时揭示了影响年收入的重要因素,说明该方法具有一定的应用价值。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
概率加权论文参考文献
[1].宋彦,武峥,罗川,景英川.基于加权支持向量机的多分类概率估计[J].统计与决策.2019
[2].程豪.逆概率加权多重插补法在中国居民收入影响因素中的应用研究[J].统计与信息论坛.2019
[3].赵立新,董朝贤,赵丽.基于FCM聚类的WSN加权概率簇头选择算法[J].控制工程.2019
[4].宋彦.基于加权支持向量机的概率估计在个人信用评估中的研究[D].太原理工大学.2019
[5].赵赟晶,周元峰,魏广顺,辛士庆,高珊珊.概率加权测地距离的脑部MR图像超像素分割[J].计算机辅助设计与图形学学报.2019
[6].邰凌楠,王春雨,田茂再.缺失数据下的逆概率多重加权分位回归估计及其应用[J].统计研究.2018
[7].肖杰,马伟峰,李伟,施展辉.一种考虑重汇聚结构的电路信号概率加权平均计算方法（英文）[J].JournalofSoutheastUniversity(EnglishEdition).2018
[8].郭威.基于统计学习的逆概率加权方法研究及其在医学中的应用[D].中国人民解放军海军军医大学.2018
[9].陈晓,李亚安,李余兴,蔚婧.基于距离加权的概率数据关联机动目标跟踪算法[J].上海交通大学学报.2018
[10].赵赟晶.基于概率密度加权测地距离的脑部MR图像分割问题研究与应用[D].山东大学.2018