支持向量机在骨龄评价系统中的应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-18页 |
| ·骨龄识别的意义及发展现状 | 第9-11页 |
| ·骨龄识别的CHN方法 | 第11-13页 |
| ·图像识别系统概述 | 第13-16页 |
| ·图像预处理 | 第14页 |
| ·图像的分割 | 第14-15页 |
| ·图像的特征提取和选择 | 第15页 |
| ·图像模式的分类决策 | 第15-16页 |
| ·论文的内容和安排 | 第16-18页 |
| 第二章 图像的特征选择与提取 | 第18-31页 |
| ·引言 | 第18页 |
| ·特征选择与提取原则 | 第18-22页 |
| ·类别可分离性判据及特征提取 | 第18-21页 |
| ·特征选择 | 第21-22页 |
| ·基于K-L变换的特征提取 | 第22-25页 |
| ·K-L变换简介 | 第22-24页 |
| ·K-L变换在特征选择中的应用 | 第24-25页 |
| ·K-L变换在医学图像骨龄识别中的应用 | 第25-30页 |
| ·图像的数据表示 | 第26页 |
| ·图像的归一化 | 第26-27页 |
| ·基于K-L变换的骨图像特征提取及分析 | 第27-30页 |
| ·小结 | 第30-31页 |
| 第三章 图像识别系统的分类方法及应用 | 第31-40页 |
| ·引言 | 第31页 |
| ·统计模式识别方法 | 第31-33页 |
| ·模糊模式识别法 | 第33-34页 |
| ·基于神经网络的模式识别方法 | 第34-39页 |
| ·人工神经网络简介 | 第34-35页 |
| ·人工神经网络模型 | 第35-36页 |
| ·人工神经网络分类 | 第36-37页 |
| ·BP网络 | 第37-38页 |
| ·基于BP网络的分类器设计 | 第38-39页 |
| ·小结 | 第39-40页 |
| 第四章 基于支持向量机的分类实现 | 第40-54页 |
| ·引言 | 第40-41页 |
| ·统计学习理论的核心思想 | 第41-44页 |
| ·期望风险和经验风险 | 第41页 |
| ·函数集的VC维 | 第41-42页 |
| ·结构风险最小化原则 | 第42-44页 |
| ·支持向量机 | 第44-51页 |
| ·支持向量机的基本原理 | 第44-49页 |
| ·支持向量机的学习算法 | 第49-50页 |
| ·多类SVM算法 | 第50-51页 |
| ·基于SVM的骨龄识别 | 第51-53页 |
| ·核函数及参数选择 | 第51页 |
| ·特征提取 | 第51-52页 |
| ·识别过程 | 第52-53页 |
| ·实验结果分析 | 第53页 |
| ·小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录A | 第60页 |
