图像目标识别的集成极端学习机研究
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-18页 |
| 1.2.1 图像识别的研究现状 | 第13-15页 |
| 1.2.2 神经网络的发展现状 | 第15-16页 |
| 1.2.3 极端学习机的发展现状 | 第16-18页 |
| 1.3 本文主要的研究内容 | 第18-20页 |
| 第2章 图像识别系统研究 | 第20-33页 |
| 2.1 图像预处理 | 第20-26页 |
| 2.1.1 分段线性灰度增强 | 第21-22页 |
| 2.1.2 直方图均衡化 | 第22-23页 |
| 2.1.3 中值滤波法 | 第23-25页 |
| 2.1.4 拉普拉斯锐化 | 第25-26页 |
| 2.2 特征提取 | 第26-29页 |
| 2.2.1 形状特征 | 第26-27页 |
| 2.2.2 颜色特征 | 第27-29页 |
| 2.2.3 纹理特征 | 第29页 |
| 2.3 传统的图像分类算法 | 第29-32页 |
| 2.3.1 K-means算法 | 第29-31页 |
| 2.3.2 Boosting算法 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 神经网络研究 | 第33-43页 |
| 3.1 神经网络概述 | 第33-34页 |
| 3.2 神经元模型 | 第34-37页 |
| 3.3 神经网络的结构 | 第37-38页 |
| 3.4 神经网络的学习方式 | 第38-39页 |
| 3.5 传统的BP神经网络 | 第39-42页 |
| 3.5.1 BP神经网络的结构 | 第40页 |
| 3.5.2 BP算法的原理 | 第40-41页 |
| 3.5.3 BP算法的性能分析 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 集成极端学习机研究 | 第43-53页 |
| 4.1 极端学习机理论研究 | 第43-47页 |
| 4.1.1 极端学习机原理 | 第43-46页 |
| 4.1.2 极端学习机算法步骤 | 第46页 |
| 4.1.3 极端学习机的性能分析 | 第46-47页 |
| 4.2 集成极端学习机的构建 | 第47-52页 |
| 4.2.1 差异演化算法概述 | 第47-48页 |
| 4.2.2 差异演化算法原理 | 第48-50页 |
| 4.2.3 差异演化算法参数选择 | 第50页 |
| 4.2.4 集成极端学习机算法步骤 | 第50-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第5章 基于图像识别的集成极端学习机实验 | 第53-69页 |
| 5.1 玉米种子品种识别的集成极端学习机 | 第53-63页 |
| 5.1.1 玉米种子图像采集 | 第53-55页 |
| 5.1.2 玉米种子图像预处理 | 第55-57页 |
| 5.1.3 玉米种子特征提取 | 第57-60页 |
| 5.1.4 实验操作 | 第60-62页 |
| 5.1.5 玉米种子识别应用 | 第62-63页 |
| 5.2 手写体数字识别的集成极端学习机 | 第63-67页 |
| 5.2.1 手写体数字图像特征提取 | 第64-66页 |
| 5.2.2 实验操作 | 第66-67页 |
| 5.3 本章小结 | 第67-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第76-77页 |
| 致谢 | 第77-78页 |
