| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第1章 绪论 | 第13-22页 |
| ·课题的研究意义和目的 | 第13-14页 |
| ·课题的国内外研究现状 | 第14-20页 |
| ·课题主要研究内容及章节安排 | 第20-22页 |
| 第2章 统计学习理论与相关向量机算法 | 第22-39页 |
| ·引言 | 第22页 |
| ·机器学习的思想与统计学习理论 | 第22-28页 |
| ·贝叶斯统计理论 | 第23-24页 |
| ·机器学习的基本思想 | 第24-27页 |
| ·VC 维 | 第27-28页 |
| ·支持向量机 | 第28-32页 |
| ·线性分类器 | 第28页 |
| ·最优分类超平面 | 第28-30页 |
| ·支持向量机的基本原理 | 第30-32页 |
| ·相关向量机算法基本原理 | 第32-36页 |
| ·相关向量机算法的产生 | 第32-33页 |
| ·相关向量机的回归模型 | 第33-35页 |
| ·相关向量机的分类模型 | 第35-36页 |
| ·RVM 算法中核函数的选择与优化 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第3章 RVM 算法在多类模式分类中的改进 | 第39-54页 |
| ·引言 | 第39页 |
| ·基于 RVM 的多模式分类 | 第39-44页 |
| ·“一对余”(One Against Rest，OAR)分类法 | 第39-40页 |
| ·“一对一”(One Against One，OAO)分类法 | 第40-42页 |
| ·“二叉树”(Binary Tree，BT)分类法 | 第42-43页 |
| ·“有向无环图”(Direct Acyclic Graph，DAG)分类法 | 第43-44页 |
| ·“一对一”分类器的改进——有限投票法 | 第44-48页 |
| ·改进的 OAO 多分类方法 | 第44-46页 |
| ·改进的 OAO 多分类器流程图 | 第46-47页 |
| ·理论分析 | 第47-48页 |
| ·仿真实验 | 第48-53页 |
| ·多维目标函数不同类别数量的数据分类仿真实验 | 第48-50页 |
| ·不同目标函数 40 类数据分类仿真实验 | 第50-51页 |
| ·多峰目标函数不同分类器性能比较实验 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第4章 RVM 算法在人脸识别中的应用 | 第54-89页 |
| ·引言 | 第54页 |
| ·人脸识别概述 | 第54-59页 |
| ·人脸识别的发展和现状 | 第54-56页 |
| ·人脸识别的基本步骤 | 第56-57页 |
| ·人脸识别的主要方法及存在的问题 | 第57-59页 |
| ·基于改进 RVM 算法的人脸识别方法 | 第59-64页 |
| ·基于改进 RVM 算法的人脸识别过程 | 第59-60页 |
| ·人脸图像预处理－特征选择与提取 | 第60-63页 |
| ·RVM 算法核函数的选择 | 第63-64页 |
| ·人脸图像数据来源 | 第64-66页 |
| ·标准人脸图像数据库 | 第64-65页 |
| ·东方人脸图像数据库 | 第65-66页 |
| ·扩展的组合人脸图像数据库 | 第66页 |
| ·实验测试与结果分析 | 第66-74页 |
| ·采用 RVM 算法的人脸识别对比实验 | 第66-71页 |
| ·采用改进的“一对一”RVM 分类器人脸识别对比实验 | 第71-74页 |
| ·图像噪声对人脸识别的影响 | 第74-82页 |
| ·图像噪声的来源与分类 | 第74-76页 |
| ·图像去噪预处理 | 第76-78页 |
| ·RVM 算法对含噪图像机器识别的作用 | 第78-79页 |
| ·图像噪声强度改变对机器识别的影响 | 第79-82页 |
| ·光线强弱及分辨率对人脸识别的影响 | 第82-85页 |
| ·光线强弱对人脸识别的影响 | 第82-83页 |
| ·分辨率对人脸识别的影响 | 第83-85页 |
| ·其它因素对人脸识别的影响 | 第85-87页 |
| ·闭眼对人脸识别的影响 | 第86页 |
| ·戴眼镜、帽子、口罩对人脸识别的影响 | 第86-87页 |
| ·本章小结 | 第87-89页 |
| 第5章 RVM 算法在汽车发动机故障诊断中的应用 | 第89-111页 |
| ·引言 | 第89-90页 |
| ·汽车发动机故障的检测平台 | 第90-91页 |
| ·汽车发动机故障智能诊断方法 | 第91-94页 |
| ·基于尾气分析的汽车发动机故障诊断原理 | 第94-96页 |
| ·基于 PSO 优化 RVM 算法的汽车发动机的故障诊断原理 | 第96-100页 |
| ·故障诊断系统组成 | 第96页 |
| ·数据采集与预处理 | 第96-98页 |
| ·相关向量机分类器及核函数的选择 | 第98-99页 |
| ·利用粒子群算法优化相关向量机参数 | 第99-100页 |
| ·RVM 增量学习的决策面自适应拟合方法 | 第100-105页 |
| ·基于 RVM 算法的增量学习 | 第101-102页 |
| ·增量训练的改进 | 第102-104页 |
| ·变转速增量学习的实施过程 | 第104-105页 |
| ·实验测试结果与分析 | 第105-110页 |
| ·不同故障诊断方法性能对比(实验一) | 第105-108页 |
| ·发动机噪声对诊断结果的影响对比(实验二) | 第108-109页 |
| ·变速动态诊断测试(实验三) | 第109-110页 |
| ·本章小结 | 第110-111页 |
| 结论 | 第111-114页 |
| 参考文献 | 第114-124页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第124-125页 |
| 致谢 | 第125-126页 |
| 附录 A | 第126-127页 |
| 个人简历 | 第127页 |
