| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-22页 |
| ·课题来源 | 第10页 |
| ·论文研究背景及其意义 | 第10-12页 |
| ·课题研究现状国内外及存在的问题 | 第12-19页 |
| ·稀疏表示理论的研究现状 | 第12-15页 |
| ·特征表示学习的研究现状 | 第15-19页 |
| ·论文的主要工作和结构安排 | 第19-22页 |
| ·论文的主要工作 | 第19页 |
| ·论文的结构安排 | 第19-22页 |
| 第二章 特征表示学习理论 | 第22-32页 |
| ·深度学习理论的三种模型 | 第22-26页 |
| ·深信度网络 | 第23-24页 |
| ·卷积神经网络 | 第24-25页 |
| ·自动编码器 | 第25-26页 |
| ·极限学习机理论 | 第26-30页 |
| ·单隐层前馈神经网络与极限学习机 | 第27-28页 |
| ·基于自编码的深度极限学习机 | 第28-30页 |
| ·本章小结 | 第30-32页 |
| 第三章 基于深度极限学习机的K-SVD算法改进 | 第32-40页 |
| ·目标的稀疏表示 | 第32-35页 |
| ·K-SVD算法的基本原理 | 第32-34页 |
| ·K-SVD算法的去噪性能 | 第34-35页 |
| ·基于深度极限学习机的K-SVD算法改进 | 第35-38页 |
| ·DDELM-AE网络训练 | 第35-37页 |
| ·去噪的特征表示及去噪的字典 | 第37-38页 |
| ·本章小结 | 第38-40页 |
| 第四章 改进的K-SVD算法在目标识别、图像分类中的应用 | 第40-56页 |
| ·手写字符识别 | 第40-46页 |
| ·DDELM-AE隐含层层数及隐含层节点数 | 第42-43页 |
| ·Ridge parameter | 第43-44页 |
| ·实验结果 | 第44-46页 |
| ·物体识别 | 第46-49页 |
| ·人脸识别 | 第49-51页 |
| ·多特征融合的物体识别 | 第51-55页 |
| ·多特征融合介绍 | 第51-53页 |
| ·实验分析 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| ·总结 | 第56-57页 |
| ·展望 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-66页 |
| 攻读硕士学位期间的研究成果 | 第66页 |