| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-14页 |
| ·鱼类年龄估计的方法和研究意义 | 第10-11页 |
| ·国内外研究现状分析 | 第11-13页 |
| ·利用直接观察鉴定鱼年轮 | 第11页 |
| ·利用渔获物长度组成分析年龄 | 第11页 |
| ·用鳞片（Scale）鉴定鱼年龄 | 第11页 |
| ·用耳石（otolith）来鉴定鱼年龄 | 第11-13页 |
| ·目前国内外研究所存在的问题 | 第13页 |
| ·本文的研究内容和组织 | 第13-14页 |
| 第二章 基础知识 | 第14-28页 |
| ·图像、图像处理、图像识别 | 第14-15页 |
| ·图像识别系统 | 第15-17页 |
| ·数据获取 | 第16页 |
| ·图像预处理 | 第16页 |
| ·图像的分割 | 第16页 |
| ·图像的特征提取和选择 | 第16-17页 |
| ·图像的分类决策 | 第17页 |
| ·模式识别的主要方法 | 第17-18页 |
| ·机器学习 | 第18-22页 |
| ·学习问题的一般表示 | 第19-20页 |
| ·经验风险最小化原则 | 第20-21页 |
| ·模型复杂度与推广能力 | 第21-22页 |
| ·统计学习理论的基本思想 | 第22-27页 |
| ·学习机器的VC 维 | 第23-24页 |
| ·推广性的界 | 第24-25页 |
| ·结构风险最小化原则 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 支持向量机分类器 | 第28-39页 |
| ·支持向量机 | 第28-35页 |
| ·支持向量机用于线性分类 | 第28-31页 |
| ·支持向量机用于非线性分类 | 第31-33页 |
| ·支持向量机与多层前向网络的比较 | 第33页 |
| ·支持向量机的学习算法 | 第33-34页 |
| ·多类SVM 算法 | 第34-35页 |
| ·概率支持向量机 | 第35-38页 |
| ·两类概率支持向量机 | 第35-37页 |
| ·多类概率支持向量机 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 基于PCA 和SVM 的鱼龄识别方法 | 第39-51页 |
| ·鱼的耳石图像特征 | 第40-42页 |
| ·耳石图像简介 | 第40页 |
| ·耳石图像的数据表示 | 第40-41页 |
| ·耳石数据预处理 | 第41-42页 |
| ·基于主成分分析的耳石图像特征提取 | 第42-46页 |
| ·主成分分析的原理 | 第42-45页 |
| ·基于主成分分析的耳石图像特征提取 | 第45-46页 |
| ·基于PCA 和SVM 的鱼龄识别方法 | 第46-48页 |
| ·实验结果分析 | 第48-50页 |
| ·模拟数据 | 第48-49页 |
| ·真实数据实验 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 基于KPCA、SVM 和PPSVM 的鱼龄识别方法 | 第51-61页 |
| ·基于KPCA 的耳石图像特征提取 | 第51-55页 |
| ·核主成分分析的原理 | 第52-54页 |
| ·基于KPCA 的耳石图像特征提取 | 第54-55页 |
| ·基于KPCA 和SVM 的鱼龄识别方法 | 第55-56页 |
| ·基于KPCA 和PPSVM 的鱼龄识别方法 | 第56-58页 |
| ·实验结果分析 | 第58-59页 |
| ·本章小结 | 第59-61页 |
| 第六章 方法的综合分析比较 | 第61-64页 |
| ·基于模拟数据的三种识别方法分析与比较 | 第61-62页 |
| ·基于耳石图像的三种识别方法分析与比较 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 第七章 结束语 | 第64-66页 |
| ·本文主要工作及创新点 | 第64-65页 |
| ·有待进一步研究的内容 | 第65-66页 |
| 参考文献 | 第66-68页 |
| 发表论文和科研情况说明 | 第68-69页 |
| 致谢 | 第69-70页 |