支持向量机在人脸识别中的应用
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-14页 |
| ·课题背景 | 第8页 |
| ·本课题研究的目的及意义 | 第8-9页 |
| ·国内外相关技术发展现状 | 第9-13页 |
| ·国内外支持向量机的研究和发展状况 | 第9-10页 |
| ·人脸识别方法的研究现状 | 第10-12页 |
| ·支持向量机应用现状 | 第12页 |
| ·支持向量机的理论研究方向 | 第12-13页 |
| ·本文主要研究内容 | 第13页 |
| ·本文结构 | 第13-14页 |
| 第2章 人脸识别的过程 | 第14-31页 |
| ·引言 | 第14-16页 |
| ·模式识别的过程 | 第14-15页 |
| ·人脸识别的内容 | 第15页 |
| ·人脸识别的研究难点及重点 | 第15-16页 |
| ·特征提取的方法 | 第16-23页 |
| ·传统的LDA及其核方法 | 第18-21页 |
| ·泛化的LDA方法介绍 | 第21-23页 |
| ·分类过程 | 第23-30页 |
| ·人脸数据库实验样本介绍 | 第23-25页 |
| ·分类方法 | 第25-26页 |
| ·两类分类 | 第26-27页 |
| ·多类分类 | 第27-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 支持向量机理论 | 第31-45页 |
| ·引言 | 第31-32页 |
| ·统计学习理论和VC维 | 第32-36页 |
| ·机器学习的基本问题 | 第32-33页 |
| ·统计学习理论的核心内容 | 第33-36页 |
| ·线性支持向量机理论 | 第36-37页 |
| ·非线性支持向量机理论 | 第37-40页 |
| ·几种典型的支持向量机 | 第40-44页 |
| ·C-SVM算法及其变形算法系列 | 第41页 |
| ·υ-SVM算法及其变形算法系列 | 第41-42页 |
| ·其他SVM算法 | 第42页 |
| ·C-SVM实例Lagrangian SVM算法 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第4章 最临近支持向量机 | 第45-56页 |
| ·引言 | 第45页 |
| ·线性最临近支持向量机及其改进 | 第45-49页 |
| ·线性最临近支持向量机 | 第45-47页 |
| ·改进的线性加权PSVM | 第47-49页 |
| ·非线性PSVM及其改进 | 第49-51页 |
| ·非线性PSVM | 第49-50页 |
| ·非线性形式加权PSVM | 第50-51页 |
| ·基于核方法的非线性GLDA | 第51页 |
| ·多类问题 | 第51-52页 |
| ·实验结果分析及比较 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 第5章 多面最临近支持向量机 | 第56-63页 |
| ·引言 | 第56页 |
| ·线性多面最临近支持向量机 | 第56-58页 |
| ·改进的多面最临近支持向量机 | 第58-60页 |
| ·多类问题 | 第60-61页 |
| ·实验结果分析及比较 | 第61页 |
| ·本章小结 | 第61-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 攻读学位期间发表的学术论文 | 第70-72页 |
| 致谢 | 第72页 |
