| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文主要内容及组织结构 | 第10-12页 |
| 第2章 图像分类研究综述 | 第12-24页 |
| 2.1 图像分类流程及方法 | 第12-15页 |
| 2.2 多示例多标记学习框架 | 第15-17页 |
| 2.3 针对图像分类的经典多示例多标记学习算法 | 第17-21页 |
| 2.3.1 基于退化策略的多示例多标记算法 | 第17-18页 |
| 2.3.2 基于神经网络的多示例多标记算法 | 第18-21页 |
| 2.4 图像分类中的距离度量方法 | 第21-23页 |
| 2.5 本章总结 | 第23-24页 |
| 第3章 基于自调节距离度量的多示例多标记图像分类 | 第24-36页 |
| 3.1 引言 | 第24页 |
| 3.2 基于自调节距离度量的多示例多标记图像分类 | 第24-30页 |
| 3.2.1 自调节距离度量方法 | 第24-26页 |
| 3.2.2 基于自调节距离度量的多示例多标记图像分类 | 第26-29页 |
| 3.2.3 本章算法的基本流程 | 第29-30页 |
| 3.3 实验结果与分析 | 第30-35页 |
| 3.3.1 实验数据集 | 第30-31页 |
| 3.3.2 评价指标 | 第31-32页 |
| 3.3.3 实验参数 | 第32页 |
| 3.3.4 实验结果与分析 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 图像分类中径向基函数神经网络结构优化 | 第36-48页 |
| 4.1 引言 | 第36-37页 |
| 4.2 基于密度迭代搜索策略的聚类算法优化径向基函数神经网络 | 第37-41页 |
| 4.2.1 传统的聚类算法 | 第37-39页 |
| 4.2.2 基于密度迭代搜索策略的聚类算法优化径向基函数神经网络 | 第39-41页 |
| 4.3 径向基函数神经网络结构优化算法流程 | 第41-44页 |
| 4.3.1 预处理阶段 | 第41-44页 |
| 4.3.2 权重优化 | 第44页 |
| 4.4 实验结果与分析 | 第44-47页 |
| 4.4.1 实验参数 | 第44-45页 |
| 4.4.2 实验结果与分析 | 第45-47页 |
| 4.5 本章总结 | 第47-48页 |
| 第5章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 附录1 攻读硕士学位期间发表的论文 | 第56-57页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第57-58页 |
| 中文详细摘要 | 第58-62页 |
