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

基于深度学习的人脸表情识别算法研究

摘要第4-6页
Abstract第6-7页
第一章 绪论第10-19页
    1.1 人脸表情识别的研究目的和意义第10-11页
    1.2 深度学习研究现状第11-12页
    1.3 人脸表情识别的研究现状第12-17页
        1.3.1 表情识别方法概述第12页
        1.3.2 图像预处理第12-13页
        1.3.3 特征提取方法研究第13-15页
        1.3.4 分类器的设计第15-16页
        1.3.5 表情数据库第16-17页
    1.4 本文研究的内容第17-18页
    1.5 全文章节安排第18-19页
第二章 稀疏自编码网络原理及其研究第19-32页
    2.1 引言第19页
    2.2 稀疏自编码器第19-24页
        2.2.1 神经网络第19-22页
        2.2.2 BP算法简述第22页
        2.2.3 自编码器第22-23页
        2.2.4 稀疏自编码器第23-24页
    2.3 稀疏自编码器的研究第24-31页
        2.3.1 隐藏层神经单元数量对特征提取的影响第24-25页
        2.3.2 神经元数量对人脸识别的影响第25-28页
        2.3.3 网络层数对识别的影响第28-29页
        2.3.4 迭代参数对网络的影响第29-30页
        2.3.5 研究总结第30-31页
    2.4 本章小结第31-32页
第三章 基于稀疏自编码器的人脸表情识别第32-42页
    3.1 引言第32页
    3.2 图像预处理第32-33页
    3.3 稀疏自编码网络用于表情识别第33-35页
    3.4 实验结果与分析第35-41页
        3.4.1 表情识别实验第35-38页
        3.4.2 表情特征可视化第38-40页
        3.4.3 自动提取表情特征与人工特征比较第40-41页
    3.5 本章小结第41-42页
第四章 基于剪枝极限学习机的人脸表情识别第42-52页
    4.1 引言第42页
    4.2 极限学习机理论第42-44页
    4.3 剪枝的极限学习机第44-46页
        4.3.1 信息增益的计算第44页
        4.3.2 隐层单元的确定第44-46页
        4.3.3 网络参数的确定第46页
    4.4 表情实验结果与分析第46-50页
        4.4.1 本文方法与P-ELM方法的比较第46-47页
        4.4.2 本文方法与深度学习、神经网络方法的比较第47-50页
    4.5 本章小结第50-52页
总结与展望第52-54页
参考文献第54-59页
读硕期间发表的论文和参与的项目第59-60页
致谢第60页

论文共60页,点击 下载论文
上一篇:基于平滑伪Wigner-Ville分布的动态手势识别算法研究
下一篇:混合有源电力滤波器的预测与补偿