| 论文摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 图目录 | 第11页 |
| 表目录 | 第11-12页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景 | 第12-18页 |
| 1.2 本文研究的问题与意义 | 第18-20页 |
| 第2章 基于SVM的改进方法RM-SVM | 第20-34页 |
| 2.1 支持向量机 | 第20-28页 |
| 2.1.1 支持向量机背景知识 | 第22-23页 |
| 2.1.2 支持向量机方法 | 第23-26页 |
| 2.1.3 核方法(KERNEL) | 第26-28页 |
| 2.2 改进的支持向量机方法RM-SVM(ROBUST MODIFIED SVM) | 第28-31页 |
| 2.2.1 原有SVM的缺点分析 | 第28-29页 |
| 2.2.2 改进的原理和方法 | 第29-31页 |
| 2.3 实验部分 | 第31-34页 |
| 2.3.1 实验数据 | 第31-32页 |
| 2.3.2 工具和参数选择 | 第32页 |
| 2.3.3 实验结果 | 第32-33页 |
| 2.3.4 实验结果分析 | 第33-34页 |
| 第3章 基于GABOR、PCA与SVM的人脸识别 | 第34-48页 |
| 3.1 人脸识别系统的设计与原理 | 第35-36页 |
| 3.2 人脸检测方法 | 第36-37页 |
| 3.3 小波变换 | 第37-40页 |
| 3.4 特征提取方法PCA(主成份分析法) | 第40-45页 |
| 3.4.1 K-L变换 | 第41-43页 |
| 3.4.2 特征脸 | 第43-45页 |
| 3.5 支持向量机方法 | 第45-46页 |
| 3.6 人脸识别实验以及实验结果 | 第46-48页 |
| 第4章 基于支持向量机和稀疏自动编码器的分类器 | 第48-68页 |
| 4.1 人工神经网络以及BP算法简介 | 第49-62页 |
| 4.1.1 人工神经网络 | 第49-51页 |
| 4.1.2 神经网络模型 | 第51-53页 |
| 4.1.3 多输出神经网络模型 | 第53-54页 |
| 4.1.4 BP算法 | 第54-57页 |
| 4.1.5 自动编码(AUTO ENCODING) | 第57-58页 |
| 4.1.6 稀疏自动编码器(STACKED SPARSE AUTO ENCODER) | 第58-61页 |
| 4.1.7 可视化编码器 | 第61-62页 |
| 4.2 稀疏自动编码与SVM的结合设计 | 第62-63页 |
| 4.3 实验数据集 | 第63页 |
| 4.4 网络结构标示说明 | 第63-65页 |
| 4.5 实验结果及分析 | 第65-68页 |
| 第5章 总结和展望 | 第68-70页 |
| 附录 | 第70-71页 |
| 参考文献 | 第71-78页 |
| 后记 | 第78页 |
