基于支持向量机的虹膜识别方法研究

第一章 绪论	第1-18页
·支持向量机的理论背景	第7页
·国内外的研究现状和进展	第7-16页
·支持向量机算法的研究现状	第8-11页
·支持向量机模型选择的研究	第11-14页
·支持向量机的应用研究	第14-16页
·本文研究的内容与结构安排	第16-18页
第二章 支持向量机	第18-34页
·统计学习理论和机器学习简介	第18-19页
·支持向量机理论	第19-24页
·非线性映射	第19页
·最优分类超平面	第19-21页
·支持向量(SV)	第21页
·二次规划	第21-24页
·支持向量机多值分类器	第24-34页
·完全多类支持向机	第25-26页
·组合多类支持向量机	第26-34页
第三章 SMO 算法	第34-46页
·SMO 算法简介	第34-37页
·SMO 算法的主要内容	第35页
·SMO 算法的特点和优势	第35-37页
·联合优化找到的两个乘子	第37-44页
·计算阈值B	第44页
·KKT 条件的几何解释	第44-46页
第四章 虹膜识别	第46-54页
·生物特征识别	第46-47页
·虹膜的生物特征表现形式	第47-49页
·虹膜识别	第49-50页
·虹膜识别算法简介	第50-52页
·Daugman 基于虹膜纹理的识别算法	第50-51页
·Wildes 的线性判别式分析	第51页
·Boles	第51-52页
·虹膜识别的发展前景	第52-54页
第五章 基于SVM 的虹膜识别	第54-61页
·虹膜识别系统	第54-57页
·系统硬件	第54-55页
·预处理	第55-57页
·实验与结果分析	第57-61页
·对SMO 算法的改进	第57-58页
·试验结果	第58-60页
·结论	第60-61页
第六章 总结与展望	第61-62页
参考文献	第62-68页
摘要	第68-70页
ABSTRACT	第70-73页
致谢	第73-74页
导师及作者情况简介	第74页