基于集成学习的人脸特征抽取及识别研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 集成学习的研究背景及意义 | 第11-12页 |
| 1.2 集成学习的发展和现状 | 第12-14页 |
| 1.3 人脸识别特征提取方法 | 第14-16页 |
| 1.4 本文研究的主要内容与组织结构 | 第16-18页 |
| 第二章 集成学习理论综述 | 第18-30页 |
| 2.1 集成学习的基本概念 | 第18页 |
| 2.2 集成学习算法框架 | 第18-23页 |
| 2.2.1 个体学习器的生成方式 | 第19-21页 |
| 2.2.2 个体学习器的组合方式 | 第21-23页 |
| 2.3 集成学习算法分析 | 第23-24页 |
| 2.4 集成学习的经典算法 | 第24-29页 |
| 2.4.1 Bagging算法 | 第24-26页 |
| 2.4.2 Boosting算法 | 第26-28页 |
| 2.4.3 Stacking(堆栈) | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于Bagging的线性判别分析集成方法 | 第30-37页 |
| 3.1 引言 | 第30页 |
| 3.2 相关算法 | 第30-32页 |
| 3.3 基于Bagging的LDA人脸识别算法 | 第32-34页 |
| 3.3.1 图像划分 | 第32-33页 |
| 3.3.2 基分类器的设计与选取 | 第33-34页 |
| 3.3.3 基分类器输出结果的集成 | 第34页 |
| 3.4 仿真实验结果与分析 | 第34-35页 |
| 3.4.1 实验数据 | 第34页 |
| 3.4.2 实验结果与分析 | 第34-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第四章 基于RSM的线性判别分析集成方法 | 第37-44页 |
| 4.1 引言 | 第37页 |
| 4.2 基于RSM的集成UDP分类系统设计 | 第37-40页 |
| 4.2.1 基分类器的生成 | 第37-38页 |
| 4.2.2 基分类器集成 | 第38-40页 |
| 4.3 仿真实验结果与分析 | 第40-43页 |
| 4.3.1 实验数据 | 第40-41页 |
| 4.3.2 实验结果与分析 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 基于先验分布的线性判别分析及集成 | 第44-51页 |
| 5.1 引言 | 第44页 |
| 5.2 基于先验分布的线性判别分析方法 | 第44-45页 |
| 5.3 基于Boosting的P-LDA集成 | 第45-46页 |
| 5.4 仿真实验结果与分析 | 第46-49页 |
| 5.4.1 实验数据 | 第46-47页 |
| 5.4.2 实验一 | 第47-48页 |
| 5.4.3 实验二 | 第48-49页 |
| 5.5 本章小结 | 第49-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51-52页 |
| 6.2 展望 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58-59页 |
| 附录 | 第59-60页 |
