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

改进的稀疏鉴别特征提取方法

摘要第3-4页
Abstract第4-5页
第1章 绪论第9-14页
    1.1 背景及意义第9页
    1.2 国内外研究现状第9-12页
    1.3 论文的主要工作与内容安排第12-14页
第2章 理论背景第14-20页
    2.1 主成分分析第14-15页
    2.2 脊回归第15-16页
    2.3 线性鉴别分析第16-18页
    2.4 稀疏鉴别分析第18页
    2.5 本章小结第18-20页
第3章 稀疏鉴别主成分分析算法第20-34页
    3.1 引言第20-21页
    3.2 稀疏主成分分析第21-22页
    3.3 稀疏鉴别主成分分析第22-25页
        3.3.1 稀疏鉴别主成分分析算法的提出第22-23页
        3.3.2 模型的求解第23-25页
        3.3.3 计算复杂度第25页
        3.3.4 收敛性分析第25页
    3.4 实验与分析第25-33页
        3.4.1 在CMUPIE人脸数据库上的实验第26-28页
        3.4.2 在Yale人脸数据库上的实验第28-29页
        3.4.3 在AR人脸数据库上的实验第29-31页
        3.4.4 在ORL人脸数据库上的实验第31-32页
        3.4.5 在USPS手写数字库上的实验第32-33页
    3.5 本章小结第33-34页
第4章 局部联合稀疏线性鉴别分析算法第34-52页
    4.1 引言第34页
    4.2 局部联合稀疏线性鉴别分析第34-41页
        4.2.1 L_(2,1)范数的定义第34-35页
        4.2.2 最大边界准则第35-36页
        4.2.3 局部联合稀疏线性鉴别分析算法的提出第36-39页
        4.2.4 模型的求解第39-41页
    4.3 理论分析第41-44页
        4.3.1 计算复杂度第41-42页
        4.3.2 收敛性分析第42-44页
    4.4 实验与分析第44-51页
        4.4.1 在AR人脸数据库上的实验第45-46页
        4.4.2 在CMUPIE人脸数据库上的实验第46-47页
        4.4.3 在PaviaUniversity高光谱数据库上的实验第47-49页
        4.4.4 在PolyU高光谱人脸数据库上的实验第49-50页
        4.4.5 实验结果和讨论第50-51页
    4.5 本章小结第51-52页
第5章 总结与展望第52-54页
    5.1 总结第52页
    5.2 展望第52-54页
参考文献第54-58页
致谢第58-59页
攻读硕士学位期间的研究成果第59页

论文共59页,点击 下载论文
上一篇:基于运动学的虚拟现实手臂动作捕捉技术研究
下一篇:基于差分进化优化的BP神经网络图像复原算法研究