基于模糊支持向量机的森林火灾识别方法研究
| 中文摘要 | 第10-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 引言 | 第13页 |
| 1.2 选题背景及意义 | 第13-14页 |
| 1.3 森林火灾识别现状 | 第14-16页 |
| 1.3.1 传统识别方法 | 第14页 |
| 1.3.2 图像识别方法 | 第14-16页 |
| 1.4 论文主要工作和章节安排 | 第16-19页 |
| 第二章 机器学习理论 | 第19-27页 |
| 2.1 最优化理论 | 第19-22页 |
| 2.1.1 最优化问题概念 | 第19页 |
| 2.1.2 凸最优化 | 第19页 |
| 2.1.3 凸函数的性质 | 第19-20页 |
| 2.1.4 凸函数约束及极小值 | 第20页 |
| 2.1.5 机器学习 | 第20-22页 |
| 2.2 分类思想 | 第22-26页 |
| 2.2.1 线性回归 | 第23-25页 |
| 2.2.2 Logistic回归 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 模糊支持向量机理论 | 第27-43页 |
| 3.1 形式化表示 | 第27页 |
| 3.2 函数间隔与几何间隔 | 第27-29页 |
| 3.3 最优分类间隔 | 第29-30页 |
| 3.4 二次规划 | 第30-31页 |
| 3.4.1 等式约束 | 第30页 |
| 3.4.2 不等式约束 | 第30-31页 |
| 3.4.3 对偶问题 | 第31页 |
| 3.5 支持向量机 | 第31-38页 |
| 3.5.1 线性硬间隔可分支持向量机 | 第32-34页 |
| 3.5.2 线性软间隔可分支持向量机 | 第34-36页 |
| 3.5.3 非线性支持向量机 | 第36-38页 |
| 3.6 模糊支持向量机 | 第38-39页 |
| 3.7 模糊隶属度 | 第39-41页 |
| 3.8 本章小结 | 第41-43页 |
| 第四章 基于模糊支持向量机火灾区域提取 | 第43-55页 |
| 4.1 图像获取及处理 | 第43-49页 |
| 4.1.1 图像的获取 | 第43页 |
| 4.1.2 图像复原 | 第43-49页 |
| 4.2 图像特征提取 | 第49-50页 |
| 4.2.1 颜色特征提取 | 第49页 |
| 4.2.2 其它特征提取 | 第49-50页 |
| 4.3 运用模糊支持向量机进行火灾区域提取 | 第50-51页 |
| 4.3.1 算法流程 | 第50页 |
| 4.3.2 模糊支持向量机的应用 | 第50-51页 |
| 4.4 实验过程及结果 | 第51-53页 |
| 4.5 本章小结 | 第53-55页 |
| 第五章 基于模糊支持向量机火灾识别 | 第55-65页 |
| 5.1 火灾图像识别流程 | 第55页 |
| 5.2 图像特征提取 | 第55-60页 |
| 5.2.1 小波特征 | 第55-56页 |
| 5.2.2 RGB直方图特征 | 第56-57页 |
| 5.2.3 纹理特征 | 第57-60页 |
| 5.3 基于模糊支持向量机火灾图像识别流程 | 第60页 |
| 5.4 火灾识别实验及结果 | 第60-64页 |
| 5.4.1 火灾区域提取 | 第61-62页 |
| 5.4.2 特征提取 | 第62-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 个人简况及联系方式 | 第73-74页 |
| 承诺书 | 第74-75页 |
