一种基于K-MEANS及LDA的分类字典精简算法
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 课题的研究背景和意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 稀疏表达的介绍 | 第15-16页 |
| 1.2.2 过完备字典学习算法的研究现状 | 第16-18页 |
| 1.2.3 字典精简算法的研究现状 | 第18-19页 |
| 1.3 主要研究工作与论文组织结构 | 第19-21页 |
| 1.3.1 主要研究工作 | 第19-20页 |
| 1.3.2 论文结构 | 第20-21页 |
| 第二章 相关工作 | 第21-37页 |
| 2.1 稀疏表达 | 第21-31页 |
| 2.1.1 稀疏表达的介绍 | 第21-22页 |
| 2.1.2 稀疏表示分解算法 | 第22-24页 |
| 2.1.3 超完备字典学习算法介绍 | 第24-26页 |
| 2.1.4 字典精简算法介绍 | 第26-31页 |
| 2.2 线性判别分析（LDA） | 第31-33页 |
| 2.2.1 线性判别分析的介绍 | 第31-32页 |
| 2.2.2 线性判别分析的数学证明 | 第32-33页 |
| 2.3 K-MEANS聚类算法 | 第33-35页 |
| 2.3.1 聚类算法应用背景 | 第33-34页 |
| 2.3.2 K-MEANS聚类算法介绍 | 第34-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第三章 基于LDA的字典精简算法 | 第37-50页 |
| 3.1 基于LDA的字典精简算法 | 第37-39页 |
| 3.1.1 算法框架 | 第37页 |
| 3.1.2 算法细节 | 第37-39页 |
| 3.1.3 算法定性分析 | 第39页 |
| 3.2 精简字典特性分析与实验比较 | 第39-42页 |
| 3.2.1 字典分解系数的分析 | 第39-40页 |
| 3.2.2 冗余度与纯净度分析 | 第40-42页 |
| 3.3 目标分类数据库测试 | 第42-46页 |
| 3.3.1 Caltech101 数据库 | 第42-44页 |
| 3.3.2 AR人脸数据库 | 第44-46页 |
| 3.4 行为识别数据库测试 | 第46-49页 |
| 3.4.1 行为识别分类器 | 第46-47页 |
| 3.4.2 KECK数据库 | 第47-49页 |
| 3.5 本章小节 | 第49-50页 |
| 第四章 基于K-MEANS及LDA的字典精简算法 | 第50-68页 |
| 4.1 基于K-MEANS改进算法 | 第50-53页 |
| 4.1.1 改进思路 | 第50-51页 |
| 4.1.2 算法框架 | 第51-53页 |
| 4.1.3 算法定性分析 | 第53页 |
| 4.2 实验结果-KECK行为数据库 | 第53-58页 |
| 4.2.1 字典冗余度及纯净度分析 | 第53-55页 |
| 4.2.2 数据库识别率结果 | 第55-58页 |
| 4.3 实验结果-WEIZMANN行为数据库 | 第58-64页 |
| 4.3.1 字典冗余度及纯净度分析 | 第58-60页 |
| 4.3.2 数据库识别率结果 | 第60-64页 |
| 4.4 实验结果-目标分类数据库 | 第64-67页 |
| 4.4.1 Caltech101 数据库 | 第64-65页 |
| 4.4.2 AR人脸数据库 | 第65-67页 |
| 4.5 本章小节 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 论文工作的总结 | 第68页 |
| 5.2 研究课题的展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75-77页 |
| 附件 | 第77页 |
