| 摘要 | 第11-13页 |
| ABSTRACT | 第13-15页 |
| 主要符号说明 | 第16-18页 |
| 第1章 绪论 | 第18-32页 |
| 1.1 课题研究背景 | 第18-20页 |
| 1.2 木材识别研究现状及不足 | 第20-24页 |
| 1.3 半监督学习研究现状 | 第24-29页 |
| 1.3.1 三种学习方法比较 | 第24-26页 |
| 1.3.2 半监督学习及应用 | 第26-29页 |
| 1.4 本文研究内容与组织结构 | 第29-32页 |
| 第2章 木材特征的提取 | 第32-54页 |
| 2.1 引言 | 第32-33页 |
| 2.2 木材的颜色特征 | 第33-41页 |
| 2.2.1 颜色空间 | 第33-35页 |
| 2.2.2 颜色特征 | 第35-37页 |
| 2.2.3 木材颜色特征提取 | 第37-41页 |
| 2.3 木材的纹理特征 | 第41-49页 |
| 2.3.1 基于灰度共生矩阵的纹理特征 | 第42-44页 |
| 2.3.2 基于Tamura的纹理特征 | 第44-45页 |
| 2.3.3 木材纹理特征提取 | 第45-49页 |
| 2.4 特征降维 | 第49-53页 |
| 2.4.1 主成分分析法 | 第49-51页 |
| 2.4.2 基于主成分分析法的木材特征降维 | 第51-53页 |
| 2.5 本章小结 | 第53-54页 |
| 第3章 基于单视角半监督学习的木材识别 | 第54-80页 |
| 3.1 引言 | 第54页 |
| 3.2 支持向量机理论 | 第54-63页 |
| 3.2.1 线性分类 | 第54-57页 |
| 3.2.2 对偶优化求解 | 第57-58页 |
| 3.2.3 核函数 | 第58-61页 |
| 3.2.4 松弛变量 | 第61-62页 |
| 3.2.5 损失函数 | 第62-63页 |
| 3.3 基于Laplacian正则化支持向量机的木材识别 | 第63-71页 |
| 3.3.1 木材样本邻接图Laplacian矩阵 | 第64-65页 |
| 3.3.2 木材识别的LapSVM | 第65-67页 |
| 3.3.3 LapSVM的优化求解 | 第67-69页 |
| 3.3.4 实验结果及分析 | 第69-71页 |
| 3.4 基于Hessian正则化支持向量机的木材识别 | 第71-78页 |
| 3.4.1 木材样本的Hessian正则化 | 第71-73页 |
| 3.4.2 基于Hessian正则化的支持向量机 | 第73-75页 |
| 3.4.3 HesSVM的优化求解 | 第75-76页 |
| 3.4.4 实验结果及分析 | 第76-78页 |
| 3.5 本章小结 | 第78-80页 |
| 第4章 基于多视角半监督学习的木材识别 | 第80-98页 |
| 4.1 引言 | 第80-81页 |
| 4.2 基于多视角Laplacian正则化支持向量机的木材识别 | 第81-89页 |
| 4.2.1 多视角学习框架 | 第81-83页 |
| 4.2.2 多视角Laplacian正则化支持向量机 | 第83-84页 |
| 4.2.3 多视角LapSVM优化求解 | 第84-87页 |
| 4.2.4 实验结果及分析 | 第87-89页 |
| 4.3 基于多视角Hessian正则化支持向量机的木材识别 | 第89-97页 |
| 4.3.1 多视角Hessian正则化 | 第89-91页 |
| 4.3.2 多视角Hessian正则化支持向量机 | 第91-92页 |
| 4.3.3 多视角HesSVM优化求解 | 第92-95页 |
| 4.3.4 实验结果及分析 | 第95-97页 |
| 4.4 本章小结 | 第97-98页 |
| 第5章 基于稀疏编码半监督学习的木材识别 | 第98-112页 |
| 5.1 引言 | 第98页 |
| 5.2 稀疏编码 | 第98-102页 |
| 5.2.1 稀疏编码 | 第98-100页 |
| 5.2.2 稀疏求解算法 | 第100-102页 |
| 5.3 基于多视角Hessian正则化稀疏编码支持向量机的木材识别 | 第102-111页 |
| 5.3.1 多视角正则化稀疏编码 | 第103-105页 |
| 5.3.2 多视角Hessian正则化稀疏编码 | 第105-106页 |
| 5.3.3 多视角Hessian正则化稀疏编码的优化算法 | 第106-109页 |
| 5.3.4 实验结果及分析 | 第109-111页 |
| 5.4 本章小结 | 第111-112页 |
| 第6章 结论与展望 | 第112-116页 |
| 6.1 全文总结 | 第112-113页 |
| 6.2 本文主要创新点 | 第113-114页 |
| 6.3 研究展望 | 第114-116页 |
| 参考文献 | 第116-130页 |
| 攻读博士学位期间发表的论文及参与的科研项目 | 第130-132页 |
| 致谢 | 第132-134页 |
| English Paper | 第134-148页 |
| 附件 | 第148页 |
