统计学习理论框架下联机手写签名识别问题的自适应方法
| 提要 | 第1-8页 |
| 第一章 绪论 | 第8-15页 |
| ·引言 | 第8页 |
| ·手写签名识别简介 | 第8-11页 |
| ·联机手写签名识别的问题模型 | 第11-13页 |
| ·国内外研究现状 | 第13页 |
| ·本文的主要工作 | 第13-15页 |
| 第二章 算法各步骤稳定性的分析 | 第15-27页 |
| ·小波分解及其消失矩性质 | 第15-16页 |
| ·小波理论简介 | 第15-16页 |
| ·小波的消失矩性质与小波变换高频分量的衰减性 | 第16页 |
| ·核主成分分析及其稳定性 | 第16-19页 |
| ·线性主成分分析 | 第17页 |
| ·核主成分分析 | 第17-18页 |
| ·核主成分分析的稳定性 | 第18-19页 |
| ·小波主成分分析及其稳定性 | 第19-24页 |
| ·小波变换与主成分分析的关系 | 第19-20页 |
| ·小波主成分分析的稳定性 | 第20-23页 |
| ·小波主成分分析的实现 | 第23-24页 |
| ·软最小超球体聚类 | 第24-27页 |
| 第三章 基于结构风险最优化原则的错误控制 | 第27-38页 |
| ·联机手写签名识别的错误控制问题 | 第27页 |
| ·统计学习理论在签名识别中的应用 | 第27-32页 |
| ·统计学习理论的意义 | 第27-28页 |
| ·学习过程一致性条件 | 第28页 |
| ·函数学习性能与VC 维 | 第28-29页 |
| ·推广性的界 | 第29-31页 |
| ·结构风险最小化 | 第31-32页 |
| ·支持向量机 | 第32-35页 |
| ·广义最优分类面 | 第32-34页 |
| ·支持向量机的实现 | 第34-35页 |
| ·识别算法错误率的界 | 第35-36页 |
| ·在签名识别中应用统计学习理论的意义 | 第35-36页 |
| ·支持向量机分类器的错误率的界 | 第36页 |
| ·对签名识别算法的错误率的控制 | 第36-38页 |
| 第四章 自适应算法的构造与试验 | 第38-46页 |
| ·算法概要 | 第38-39页 |
| ·分类器的训练 | 第39-42页 |
| ·小波主成分分析 | 第39-40页 |
| ·软最小超球体聚类 | 第40页 |
| ·再次进行WPCA | 第40-41页 |
| ·支持向量机的训练 | 第41页 |
| ·自适应算法的核心过程 | 第41-42页 |
| ·识别过程与分类器的改进 | 第42-43页 |
| ·算法流程图 | 第43-45页 |
| ·在实际应用中的效果 | 第45-46页 |
| 第五章 总结与展望 | 第46-47页 |
| 参考文献 | 第47-49页 |
| 中文摘要 | 第49-52页 |
| 英文摘要 | 第52-56页 |
| 致谢 | 第56页 |
