| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究的背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 提取表情特征的研究现状 | 第10-12页 |
| 1.2.2 特征降维方法的研究现状 | 第12-13页 |
| 1.2.3 人脸表情特征分解的研究现状 | 第13页 |
| 1.3 人脸表情分类方法 | 第13-14页 |
| 1.3.1 人工神经网络法 | 第13-14页 |
| 1.3.2 支持向量机分类法 | 第14页 |
| 1.3.3 压缩感知法 | 第14页 |
| 1.4 目前人脸表情识别研究所面临的问题 | 第14-15页 |
| 1.5 本文的研究内容 | 第15-16页 |
| 1.6 各章节安排 | 第16-17页 |
| 第二章 深度学习基本理论 | 第17-27页 |
| 2.1 深度学习概述 | 第17-18页 |
| 2.1.1 深度学习的概念 | 第17页 |
| 2.1.2 浅层与深层学习 | 第17-18页 |
| 2.2 深度学习的基本原理和常用学习方法 | 第18-23页 |
| 2.2.1 深度学习的基本原理 | 第18-19页 |
| 2.2.2 几种常用的学习方法 | 第19-23页 |
| 2.3 RBM模型 | 第23-26页 |
| 2.3.1 模型的定义 | 第23-24页 |
| 2.3.2 模型的训练过程 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 深度学习结合支持向量机的人脸表情识别研究 | 第27-38页 |
| 3.1 支持向量机 | 第27页 |
| 3.2 支持向量机的分类原理 | 第27-32页 |
| 3.3 数据预处理方法 | 第32-33页 |
| 3.3.1 数据归一化 | 第32-33页 |
| 3.3.2 数据模块化方法 | 第33页 |
| 3.4 深度学习结合支持向量机的分类 | 第33-36页 |
| 3.4.1 模型结构描述 | 第33-34页 |
| 3.4.2 训练与分类过程 | 第34-36页 |
| 3.5 深度学习结合支持向量机的人脸表情识别 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 人脸表情识别实验结果与分析 | 第38-48页 |
| 4.1 实验数据集来源 | 第38-39页 |
| 4.2 实验数据预处理 | 第39页 |
| 4.2.1 数据归一化处理 | 第39页 |
| 4.2.2 数据批量化处理 | 第39页 |
| 4.3 实验设置 | 第39-40页 |
| 4.4 实验结果与分析 | 第40-46页 |
| 4.4.1 不同分辨率、隐含层层数、节点数对结果的影响 | 第40-42页 |
| 4.4.2 隐含层层数,节点数与支持向量数及正确率的关系 | 第42-45页 |
| 4.4.3 惩罚因子C和核函数参数g的影响 | 第45-46页 |
| 4.5 本章小结 | 第46-48页 |
| 总结及展望 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53页 |