大规模数据在线学习及其应用
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·引言 | 第7页 |
| ·增量学习简介 | 第7-8页 |
| ·国内外研究现状 | 第8-9页 |
| ·机器学习在图像识别的应用 | 第9-10页 |
| ·本文结构 | 第10-11页 |
| 第二章 常用机器学习算法 | 第11-24页 |
| ·人工神经网络 | 第11-13页 |
| ·人工神经网络模型结构 | 第11-12页 |
| ·人工神经网络的学习算法 | 第12-13页 |
| ·支持向量机 | 第13-16页 |
| ·最优超平面 | 第13页 |
| ·线性情况 | 第13-14页 |
| ·非线性情况 | 第14-15页 |
| ·支持向量机的优点与不足 | 第15-16页 |
| ·核向量机 | 第16-20页 |
| ·最小包含球问题 | 第16-17页 |
| ·MEB 问题的解法 | 第17页 |
| ·核向量机推导 | 第17-19页 |
| ·核向量机的优势 | 第19-20页 |
| ·球向量机 | 第20-21页 |
| ·球向量机的推导 | 第20-21页 |
| ·球向量机的优势 | 第21页 |
| ·Adaboost 算法 | 第21-23页 |
| ·Adaboost 的训练算法 | 第21-22页 |
| ·级联分类器简介 | 第22页 |
| ·级联分类器练过程 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 球向量机的快速在线学习 | 第24-33页 |
| ·OBVM | 第24-27页 |
| ·OBVM 算法 | 第24页 |
| ·OBVM 算法的收敛性 | 第24-25页 |
| ·时间复杂度与空间复杂度 | 第25-26页 |
| ·OBVM 的决策函数 | 第26-27页 |
| ·实验及结果分析 | 第27-31页 |
| ·参数ε对实验结果的影响 | 第27页 |
| ·参数 C 对实验结果的影响 | 第27-28页 |
| ·标准数据集 | 第28-30页 |
| ·实际数据集 | 第30-31页 |
| ·结论 | 第31页 |
| ·本章小结 | 第31-33页 |
| 第四章 基于球向量机的快速在线学习的性别识别 | 第33-45页 |
| ·研究背景 | 第33页 |
| ·图像预处理 | 第33-38页 |
| ·矩形特征与积分图 | 第34-35页 |
| ·主动形状模型 | 第35-36页 |
| ·人脸几何归一化 | 第36-38页 |
| ·特征提取 | 第38-41页 |
| ·局部二值模式特征 | 第38-39页 |
| ·局部方向模式特征 | 第39-40页 |
| ·特征提取 | 第40-41页 |
| ·实验及结果分析 | 第41-43页 |
| ·基于球向量机的快速在线学习的性别识别系统 | 第41-42页 |
| ·数据预处理 | 第42页 |
| ·实验结果 | 第42-43页 |
| ·与经典算法的比较 | 第43页 |
| ·OBVM 算法的优势 | 第43页 |
| ·本章小结 | 第43-45页 |
| 第五章 总结与展望 | 第45-47页 |
| ·工作总结 | 第45页 |
| ·工作展望 | 第45-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第51页 |
