| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及其意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 目的和意义 | 第11-12页 |
| 1.2 国内外的研究现状及发展 | 第12-13页 |
| 1.3 本文研究的主要内容 | 第13-14页 |
| 1.4 本文主要的结构安排 | 第14-16页 |
| 第2章 基本理论知识介绍 | 第16-27页 |
| 2.1 特征提取 | 第16-20页 |
| 2.1.1 词袋模型 | 第16-18页 |
| 2.1.2 基于空间金字塔核函数的词袋模型 | 第18-19页 |
| 2.1.3 基于可扩展词汇树的词袋模型 | 第19-20页 |
| 2.2 压缩感知理论 | 第20-22页 |
| 2.2.1 信号稀疏表示 | 第20-21页 |
| 2.2.2 测量矩阵 | 第21-22页 |
| 2.2.3 重构算法 | 第22页 |
| 2.3 机器学习理论 | 第22-27页 |
| 2.3.1 支持向量机 | 第22-24页 |
| 2.3.2 前馈神经网络 | 第24-27页 |
| 第3章 基于稀疏表示的智能地标识别算法 | 第27-34页 |
| 3.1 引言 | 第27-28页 |
| 3.2 基于稀疏表示的分类问题 | 第28-29页 |
| 3.2.1 通过训练样本的稀疏线形组合表示测试样本 | 第28页 |
| 3.2.2 通过L1-范数最小化求解稀疏系数 | 第28-29页 |
| 3.3 基于稀疏表示的分类算法 | 第29-30页 |
| 3.4 仿真实验及结果 | 第30-33页 |
| 3.4.1 实验设置 | 第30页 |
| 3.4.2 OMP和SpaRSA两种稀疏方法下的性能比较 | 第30-32页 |
| 3.4.3 与SVM和ELM的性能比较 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于集成约束优化超限学习机的智能地标识别算法 | 第34-48页 |
| 4.1 引言 | 第34-35页 |
| 4.2 超限学习机理论 | 第35-37页 |
| 4.3 基于约束优化的超限学习机 | 第37-40页 |
| 4.4 基于集成约束优化超限学习机的框架 | 第40-42页 |
| 4.5 仿真实验及结果 | 第42-47页 |
| 4.5.1 实验设置 | 第42页 |
| 4.5.2 不同规则化系数和隐层节点下的性能 | 第42页 |
| 4.5.3 与CO-ELM和SVM的比较 | 第42-44页 |
| 4.5.4 不同CO-ELM个数下的性能比较 | 第44-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 融合稀疏表示和超限学习机的智能地标识别算法 | 第48-61页 |
| 5.1 引言 | 第48页 |
| 5.2 用于图像分类的稀疏表示和超限学习机的概述 | 第48-52页 |
| 5.2.1 稀疏表示分类器概述 | 第48-52页 |
| 5.2.2 超限学习机概述 | 第52页 |
| 5.3 融合稀疏表示和超限学习机的地标识别框架 | 第52-55页 |
| 5.3.1 地标识别框架的概述 | 第52-54页 |
| 5.3.2 稀疏表示和超限学习机之间的判别标准 | 第54-55页 |
| 5.3.3 融合稀疏表示和超限学习机的地标识别算法 | 第55页 |
| 5.4 仿真实验及结果 | 第55-60页 |
| 5.4.1 实验设置 | 第55-56页 |
| 5.4.2 与ELM和SRC的性能比较 | 第56-59页 |
| 5.4.3 SPK-BoW与SVT特征框架下的比较 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 6.1 工作总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 附录 | 第69页 |
