基于分块KPCA和极限学习机的图像分类识别研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-11页 |
| 1 绪论 | 第11-17页 |
| 1.1 图像分类的目的与意义 | 第11-13页 |
| 1.2 图像分类技术的发展及研究现状 | 第13-15页 |
| 1.3 本论文的内容安排 | 第15-17页 |
| 2 核主成分分析方法研究 | 第17-27页 |
| 2.1 引言 | 第17页 |
| 2.2 核主成分分析 | 第17-22页 |
| 2.2.1 核方法简介 | 第17-19页 |
| 2.2.2 常用核函数 | 第19页 |
| 2.2.3 核主成分分析的基本原理及推导过程 | 第19-22页 |
| 2.3 分块 KPCA 研究 | 第22-24页 |
| 2.4 实验仿真 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 极限学习机算法研究 | 第27-36页 |
| 3.1 单隐藏层前馈神经网络 | 第27-29页 |
| 3.1.1 传统基于梯度的 SLFN 学习 | 第28-29页 |
| 3.2 极限学习机理论 | 第29-31页 |
| 3.2.1 极限学习机算法原理及推导过程 | 第29-31页 |
| 3.3 ELM 与支持向量机 SVM 比较 | 第31-35页 |
| 3.3.1 支持向量机简介 | 第31-34页 |
| 3.3.2 ELM 与 SVM 对比分析 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 基于核函数参数优化的图像特征提取算法 | 第36-46页 |
| 4.1 粒子群算法 | 第36-38页 |
| 4.1.1 粒子群优化算法的基本原理 | 第36-37页 |
| 4.1.2 粒子群算法的推导过程 | 第37-38页 |
| 4.2 标准微粒群算法优化 KPCA 核参数 | 第38-40页 |
| 4.2.1 粒子群算法优化核参数的实现 | 第40页 |
| 4.3 仿真研究 | 第40-45页 |
| 4.3.1 实验数据 | 第40-41页 |
| 4.3.2 实验结果比较 | 第41-45页 |
| 4.4 本章小结 | 第45-46页 |
| 5 优化极限学习机在图像分类识别中的应用研究 | 第46-56页 |
| 5.1 神经网络的优化 | 第46-47页 |
| 5.2 压缩采样理论 | 第47-49页 |
| 5.2.1 单观测向量压缩采样问题 | 第47-48页 |
| 5.2.2 多观测向量压缩采样问题 | 第48-49页 |
| 5.3 稀疏极限学习机 | 第49-52页 |
| 5.3.1 输入权值优化 | 第51页 |
| 5.3.2 隐藏层节点优化 | 第51-52页 |
| 5.4 实验仿真 | 第52-55页 |
| 5.5 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 本论文的总结 | 第56页 |
| 6.2 研究展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 个人筒历、在校期间发表的学术论文和研究成果 | 第63页 |
