基于改进BP神经网络多示例学习的自然图像分类算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-11页 |
| ·选题背景与研究意义 | 第8页 |
| ·图像分类技术研究现状 | 第8-10页 |
| ·基于文本的图像分类技术 | 第8-9页 |
| ·基于内容的图像分类技术 | 第9-10页 |
| ·论文组织结构 | 第10-11页 |
| 第二章 多示例学习 | 第11-17页 |
| ·多示例学习的概念与研究现状 | 第11-13页 |
| ·多示例学习算法 | 第13-15页 |
| ·多样性密度算法 | 第13-14页 |
| ·最大期望值多样性密度算法 | 第14-15页 |
| ·其他多示例学习算法 | 第15页 |
| ·多示例学习在图像分类中的应用 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 第三章 神经网络算法 | 第17-28页 |
| ·神经网络 | 第17-22页 |
| ·神经网络的发展及研究现状 | 第17-18页 |
| ·人工神经网络的工作原理 | 第18页 |
| ·神经元模型及神经网络结构 | 第18-22页 |
| ·BP神经网络 | 第22-25页 |
| ·基于神经网络的多示例学习 | 第25-27页 |
| ·多示例神经网络 | 第25-26页 |
| ·基于BP神经网络的多示例学习 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第四章 基于改进BP神经网络的多示例图像分类算法 | 第28-40页 |
| ·图像特征的提取 | 第28-33页 |
| ·颜色特征提取 | 第28-30页 |
| ·纹理特征提取 | 第30-32页 |
| ·形状特征提取 | 第32-33页 |
| ·算法设计 | 第33-35页 |
| ·包与示例的生成 | 第33页 |
| ·改进BP神经网络 | 第33-34页 |
| ·算法描述 | 第34-35页 |
| ·实验结果与分析 | 第35-39页 |
| ·实验数据与实验环境 | 第35-36页 |
| ·实验结果与分析 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 第五章 总结与展望 | 第40-42页 |
| ·总结 | 第40页 |
| ·未来工作展望 | 第40-42页 |
| 参考文献 | 第42-45页 |
| 附录 | 第45-50页 |
| 致谢 | 第50页 |
