| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第1章 绪论 | 第13-17页 |
| 1.1 课题研究背景及意义 | 第13-14页 |
| 1.2 多模态融合研究现状 | 第14-15页 |
| 1.3 本文主要研究内容和组织结构 | 第15-17页 |
| 第2章 超限学习机 | 第17-25页 |
| 2.1 单隐层前馈神经网络 | 第17-19页 |
| 2.2 超限学习机算法 | 第19-22页 |
| 2.2.1 超限学习机算法原理 | 第19-21页 |
| 2.2.2 超限学习机相关研究 | 第21-22页 |
| 2.3 超限学习机自编码器 | 第22-24页 |
| 2.3.1 无监督学习 | 第22-23页 |
| 2.3.2 超限学习机自编码器 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 典型相关分析及相关算法 | 第25-33页 |
| 3.1 引言 | 第25页 |
| 3.2 典型相关分析 | 第25-29页 |
| 3.2.1 典型相关分析数学描述 | 第25-27页 |
| 3.2.2 典型相关分析解析算法 | 第27-29页 |
| 3.3 基于核理论的非线性典型相关分析 | 第29-30页 |
| 3.4 基于神经网络的非线性典型相关算法 | 第30-31页 |
| 3.5 本章小结 | 第31-33页 |
| 第4章 基于超限学习机的非线性典型相关分析 | 第33-45页 |
| 4.1 引言 | 第33-34页 |
| 4.2 多模态融合 | 第34-35页 |
| 4.2.1 基于深度网络的融合 | 第34-35页 |
| 4.2.2 基于子空间的融合 | 第35页 |
| 4.3 基于超限学习机的非线性典型相关算法 | 第35-39页 |
| 4.3.1 无监督非线性映射 | 第37-38页 |
| 4.3.2 极大化非线性映射相关性 | 第38-39页 |
| 4.4 多模态融合实验结果分析 | 第39-43页 |
| 4.4.1 Cornellgrasping数据集 | 第40-41页 |
| 4.4.2 相关度分析 | 第41页 |
| 4.4.3 训练时间分析 | 第41-42页 |
| 4.4.4 识别率分析 | 第42-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第5章 基于多层超限学习机的弱配对多模态融合 | 第45-61页 |
| 5.1 引言 | 第45页 |
| 5.2 问题描述 | 第45-46页 |
| 5.3 线性弱配对算法 | 第46-48页 |
| 5.3.1 弱配对最大协方差分析 | 第47页 |
| 5.3.2 类典型相关分析 | 第47-48页 |
| 5.4 基于多层超限学习机的弱配对多模态融合 | 第48-52页 |
| 5.4.1 无监督非线性映射 | 第49-50页 |
| 5.4.2 弱配对多模态融合 | 第50-52页 |
| 5.5 弱配对多模态融合实验结果分析 | 第52-60页 |
| 5.5.1 Cornellgrasping数据集 | 第52-55页 |
| 5.5.2 RGB-DObject数据集 | 第55-57页 |
| 5.5.3 Cross-modalPlaces数据集 | 第57-60页 |
| 5.6 本章小结 | 第60-61页 |
| 第6章 总结和展望 | 第61-63页 |
| 6.1 全文总结 | 第61页 |
| 6.2 工作展望 | 第61-63页 |
| 参考文献 | 第63-70页 |
| 致谢 | 第70-71页 |
| 攻读学位期间发表的学术论文目录 | 第71页 |