GFK及其在域自适应学习中的应用
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 DA研究概述 | 第9-11页 |
| 1.1.1 DA研究的背景与意义 | 第9页 |
| 1.1.2 国内外研究现状 | 第9-11页 |
| 1.2 GFK概述 | 第11页 |
| 1.3 本文的主要工作和结构安排 | 第11-13页 |
| 第二章 子空间提取 | 第13-19页 |
| 2.1 主成分分析(PCA) | 第13-14页 |
| 2.1.1 PCA原理 | 第13页 |
| 2.1.2 PCA算法步骤 | 第13-14页 |
| 2.2 线性鉴别分析(LDA) | 第14-16页 |
| 2.2.1 LDA原理 | 第15页 |
| 2.2.2 LDA算法步骤 | 第15-16页 |
| 2.3 偏最小二乘回归(PLS) | 第16-18页 |
| 2.3.1 PLS原理 | 第16-17页 |
| 2.3.2 PLS算法步骤 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 SGF和GFK算法原理 | 第19-24页 |
| 3.1 预备知识 | 第19-20页 |
| 3.2 SGF算法原理及步骤 | 第20-22页 |
| 3.3 GFK算法原理及步骤 | 第22-23页 |
| 3.4 本章小结 | 第23-24页 |
| 第四章 基于SGF框架的DA算法 | 第24-35页 |
| 4.1 算法步骤 | 第24-25页 |
| 4.2 仿真实验与结果分析 | 第25-34页 |
| 4.2.1 物体识别实验 | 第25-28页 |
| 4.2.2 ORL库上的人脸识别实验 | 第28-31页 |
| 4.2.3 Yale库上的人脸识别实验 | 第31-34页 |
| 4.3 本章小结 | 第34-35页 |
| 第五章 基于GFK的KPCA算法 | 第35-46页 |
| 5.1 引言 | 第35页 |
| 5.2 KPCA算法原理 | 第35-37页 |
| 5.3 KPCA算法步骤 | 第37-38页 |
| 5.4 基于GFK的KPCA算法 | 第38页 |
| 5.5 仿真实验与结果分析 | 第38-45页 |
| 5.5.1 物体识别实验 | 第38-40页 |
| 5.5.2 ORL人脸库上的实验 | 第40-43页 |
| 5.5.3 Yale人脸库上的实验 | 第43-45页 |
| 5.6 本章小结 | 第45-46页 |
| 第六章 总结与展望 | 第46-48页 |
| 6.1 全文总结 | 第46-47页 |
| 6.2 未来的工作 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51页 |
