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

基于压缩感知的支持向量机改进算法及其在图像处理中的应用

摘要第3-4页
Abstract第4-5页
1 绪论第8-14页
    1.1 研究背景及意义第8-9页
    1.2 国内外研究现状第9-12页
        1.2.1 压缩感知和支持向量机的国内外研究现状第9-10页
        1.2.2 图像修复的国内外研究现状第10-11页
        1.2.3 超分辨率重建的国内外研究现状第11-12页
    1.3 本文的研究工作和内容安排第12-14页
2 支持向量机及其改进算法第14-28页
    2.1 支持向量机原理第14-19页
        2.1.1 支持向量机统计学习理论基础第14-15页
        2.1.2 支持向量机回归原理第15-17页
        2.1.3 核函数第17-19页
    2.2 LS-SVM原理及其改进算法第19-26页
        2.2.1 最小二乘支持向量机第19-20页
        2.2.2 基于加性高阶核函数的LS-SVM第20-22页
        2.2.3 基于梯度信息的LS-SVM第22-26页
    2.3 本章小结第26-28页
3 基于压缩感知的LS-SVM的改进算法第28-40页
    3.1 压缩感知基本理论第28-31页
        3.1.1 信号的稀疏表示第28-29页
        3.1.2 测量矩阵的设计第29-31页
        3.1.3 压缩感知重建算法第31页
    3.2 基于压缩感知的LS-SVM的改进算法研究第31-38页
        3.2.1 基于样本稀疏的LS-SVM的算法研究第31-35页
        3.2.2 基于支持向量稀疏的LS-SVM算法研究第35-38页
    3.3 本章小结第38-40页
4 改进算法在图像修复中的应用第40-52页
    4.1 图像修复的理论第40-41页
        4.1.1 图像修复的基本理论第40页
        4.1.2 基于LS-SVM及其改进算法的图像修复第40-41页
    4.2 实验结果与分析第41-49页
    4.3 本章小结第49-52页
5 改进算法在超分辨率重建中的应用第52-60页
    5.1 超分辨率重建的理论第52-54页
        5.1.1 超分辨率重建的基本理论第52页
        5.1.2 基于LS-SVM及其改进算法的超分辨率重建第52-54页
    5.2 实验结果与分析第54-58页
    5.3 本章小结第58-60页
6 总结与展望第60-62页
    6.1 本文内容总结第60-61页
    6.2 未来工作展望第61-62页
致谢第62-64页
参考文献第64-72页
在校学习期间成果第72页

论文共72页,点击 下载论文
上一篇:基于小生境遗传算法的定量关联规则算法研究
下一篇:面向水环境的无线传感网覆盖算法研究