首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于机器学习的路面对象识别关键技术研究

摘要第1-7页
Abstract第7-12页
第1章 绪论第12-26页
   ·研究背景第12页
   ·研究现状第12-16页
     ·国外研究状况第13-15页
     ·国内研究现状第15-16页
   ·对象检测难点及方法分类第16-21页
     ·识别难点第16-17页
     ·识别方法分类第17-21页
   ·问题的提出及课题的意义第21-22页
   ·本文研究目标和主要研究内容第22-24页
   ·论文结构及章节安排第24-26页
第2章 路面对象识别中的机器学习方法第26-50页
   ·机器学习发展历程第26-28页
     ·通用学习系统研究阶段第26页
     ·符号概念获取阶段第26-27页
     ·知识自动获取研究阶段第27页
     ·多学习机制形成阶段第27-28页
   ·机器学习概述第28-29页
   ·机器学习中关键技术介绍第29-41页
     ·典型的特征描述方法第29-33页
     ·典型的分类器第33-41页
   ·机器学习在路面对象识别中的应用现状及分析第41-48页
     ·应用现状第41-45页
     ·应用现状分析第45-48页
   ·本章小结第48-50页
第3章 特征提取及特征降维方法研究第50-66页
   ·问题概述第50-51页
   ·改进的Haar小波特征提取方法第51-55页
     ·二维图像的小波分解第51-52页
     ·HSV颜色模型第52-53页
     ·特征提取算法第53-55页
   ·类Haar特征提取第55-60页
     ·类Haar特征构造第55-56页
     ·类Haar特征计算第56-59页
     ·构建类Haar特征值集第59-60页
   ·特征降维方法第60-61页
     ·F-score概念第60页
     ·特征降维算法构造第60-61页
   ·实验结果及分析第61-64页
   ·本章小结第64-66页
第4章 支持向量机参数选择方法研究第66-78页
   ·支持向量机概述第66-72页
   ·现有支持向量机参数选择方法第72-75页
     ·双线性法第73-74页
     ·梯度下降法第74页
     ·交叉验证法第74-75页
   ·改进的交叉验证选参方法第75-76页
   ·实验结果及分析第76-77页
   ·本章小结第77-78页
第5章 AdaBoost分类器研究第78-92页
   ·集成机器学习第78-80页
     ·弱分类器第79页
     ·集成方法第79-80页
   ·AdaBoost算法的问题概述第80-82页
   ·改进的AdaBoost算法第82-88页
     ·改进的弱分类器生成算法第82-86页
     ·AdaBoost算法的增量学习方法第86-88页
   ·实验结果及分析第88-91页
   ·本章小结第91-92页
第6章 样本自动化准备方法及样本不平衡分类问题研究第92-100页
   ·问题概述第92-93页
   ·样本自动化准备方法研究第93-96页
     ·粗精度样本准备阶段第93-94页
     ·细精度样本准备阶段第94-96页
   ·样本不平衡分类问题研究第96-97页
   ·实验结果及分析第97-99页
   ·本章小结第99-100页
第7章 对象识别技术在路面对象识别系统中的应用第100-122页
   ·路面对象识别系统的结构第100-104页
   ·对象检测模块第104-107页
     ·检测算法结构第104-106页
     ·算法的输入与输出第106-107页
   ·算法评估第107-120页
     ·评估图像第107-108页
     ·评估方法第108-109页
     ·评估结果第109-120页
   ·本章小结第120-122页
第8章 结论第122-126页
   ·本文的主要研究成果第122-123页
   ·未来研究方向第123-126页
参考文献第126-138页
致谢第138-140页
作者简介第140-142页
攻读学位期间发表的论文及科研工作第142-143页

论文共143页,点击 下载论文
上一篇:文本分割关键技术及其在多文档摘要中的应用研究
下一篇:文本内容分类和主题追踪关键技术研究