| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 本文研究的背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-14页 |
| 1.2.1 卷积神经网络的研究现状 | 第9-11页 |
| 1.2.2 人脸检测的研究现状 | 第11-14页 |
| 1.3 本文研究的内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第二章 相关背景知识介绍 | 第16-26页 |
| 2.1 卷积神经网络基础知识 | 第16-19页 |
| 2.1.1 神经网络模型 | 第16-17页 |
| 2.1.2 神经网络的训练方法 | 第17-18页 |
| 2.1.3 卷积神经网络模型 | 第18-19页 |
| 2.2 支持向量机（SVM）基础知识 | 第19-22页 |
| 2.2.1 统计学习理论 | 第19-21页 |
| 2.2.2 支持向量分类机 | 第21-22页 |
| 2.3 随机森林(RF)基础知识 | 第22-24页 |
| 2.3.1 决策树 | 第22-23页 |
| 2.3.2 随机森林算法原理 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 基于SVM的经典卷积神经网络分类模型 | 第26-34页 |
| 3.1 经典卷积神经网络分类模型 | 第26-28页 |
| 3.2 基于SVM的经典卷积神经网络分类模型算法 | 第28-30页 |
| 3.3 算法的训练 | 第30-32页 |
| 3.4 仿真实例 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 基于SVM/RF的PCANets分类模型 | 第34-45页 |
| 4.1 PCA与直方图原理 | 第34-37页 |
| 4.1.1 PCA特征提取方法 | 第34-35页 |
| 4.1.2 直方图处理 | 第35-37页 |
| 4.2 基于SVM/RF的PCANets分类模型 | 第37-41页 |
| 4.2.1 PCANets算法 | 第37-40页 |
| 4.2.2 基于SVM/RF的PCANets算法 | 第40-41页 |
| 4.3 仿真实例 | 第41-44页 |
| 4.3.1 PCANets的参数设定 | 第41-43页 |
| 4.3.2 PCANets-SVM/RF的分类效果 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 基于SVM/RF的自适应中值滤波PCANets分类模型 | 第45-54页 |
| 5.1 中值滤波方法 | 第45-47页 |
| 5.1.1 一维中值滤波 | 第45-46页 |
| 5.1.2 二维中值滤波 | 第46页 |
| 5.1.3 中值滤波的特性 | 第46-47页 |
| 5.2 自适应中值滤波PCANets模型 | 第47-50页 |
| 5.2.1 自适应中值滤波 | 第47-49页 |
| 5.2.2 自适应中值滤波PCANets算法步骤 | 第49-50页 |
| 5.3 仿真实例 | 第50-53页 |
| 5.3.1 自适应中值滤波实验效果 | 第51-52页 |
| 5.3.2 自适应PCANets-SVM/RF的分类效果 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录1 程序清单 | 第60-61页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第61-62页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第62-63页 |
| 致谢 | 第63页 |
