| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-18页 |
| 1.2.1 发育机器人研究现状 | 第10-14页 |
| 1.2.2 图像特征提取研究现状 | 第14-16页 |
| 1.2.3 自主发育算法研究现状 | 第16-17页 |
| 1.2.4 存在的主要问题 | 第17-18页 |
| 1.3 本文主要研究内容及章节安排 | 第18-19页 |
| 第二章 直观无协方差增量主成分分析算法研究 | 第19-29页 |
| 2.1 前言 | 第19页 |
| 2.2 主成分分析算法 | 第19-22页 |
| 2.2.1 主成分分析算法分析 | 第19-21页 |
| 2.2.2 主成分分析算法计算步骤 | 第21-22页 |
| 2.2.3 主成分分析算法优缺点 | 第22页 |
| 2.3 直观无协方差增量主成分分析算法 | 第22-28页 |
| 2.3.1 直观无协方差增量主成分分析算法 | 第22页 |
| 2.3.2 直观无协方差增量主成分分析算法推导 | 第22-25页 |
| 2.3.3 基于直观无协方差增量主成分分析算法的特征提取 | 第25-27页 |
| 2.3.4 直观无协方差增量主成分分析算法优缺点 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 增量双向主成分分析算法研究 | 第29-37页 |
| 3.1 前言 | 第29-30页 |
| 3.2 双向主成分分析算法 | 第30-31页 |
| 3.2.1 二维主成分分析算法分析 | 第30页 |
| 3.2.2 双向主成分分析算法分析 | 第30-31页 |
| 3.2.3 双向主成分分析算法优缺点 | 第31页 |
| 3.3 增量双向主成分分析算法 | 第31-34页 |
| 3.3.1 增量双向主成分分析算法推导 | 第32-33页 |
| 3.3.2 增量双向主成分分析算法实现 | 第33-34页 |
| 3.4 三种算法特征提取对比分析 | 第34-35页 |
| 3.5 三种算法复杂度对比分析 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 基于自主发育神经网络的学习算法研究 | 第37-48页 |
| 4.1 前言 | 第37-38页 |
| 4.2 自主发育神经网络结构 | 第38-40页 |
| 4.2.1 网络整体结构 | 第38页 |
| 4.2.2 神经元连接方式 | 第38-39页 |
| 4.2.3 网络的信息传递 | 第39-40页 |
| 4.2.4 神经元属性 | 第40页 |
| 4.3 叶分量分析算法 | 第40-43页 |
| 4.3.1 算法概念 | 第40-41页 |
| 4.3.2 算法分析 | 第41-43页 |
| 4.4 自主发育神经网络学习算法 | 第43-46页 |
| 4.4.1 神经网络初始化 | 第43页 |
| 4.4.2 神经元的预响应值 | 第43-44页 |
| 4.4.3 Top-k竞争机制 | 第44-45页 |
| 4.4.4 权重更新 | 第45页 |
| 4.4.5 预测分类 | 第45-46页 |
| 4.5 自主发育神经网络发育学习流程 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 实验与分析 | 第48-62页 |
| 5.1 实验平台 | 第48页 |
| 5.2 特征提取实验 | 第48-55页 |
| 5.2.1 实验数据集 | 第48-50页 |
| 5.2.2 单个样本特征值实验 | 第50页 |
| 5.2.3 可视化分类实验 | 第50-51页 |
| 5.2.4 分类率对比实验 | 第51-54页 |
| 5.2.5 运算时间对比实验 | 第54-55页 |
| 5.3 自主发育神经网络实验 | 第55-61页 |
| 5.3.1 实验说明 | 第55-56页 |
| 5.3.2 手写数字集分类实验 | 第56-58页 |
| 5.3.3 积木块分类实验 | 第58-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-65页 |
| 6.1 工作总结 | 第62-63页 |
| 6.2 工作展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 发表论文和科研情况说明 | 第69-70页 |
| 致谢 | 第70页 |