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 |