板带钢缺陷图像的多体分类模型及识别技术研究
| 摘要 | 第1-8页 |
| Abstract | 第8-13页 |
| 第一章 绪论 | 第13-31页 |
| ·研究的背景 | 第13-14页 |
| ·研究的现状 | 第14-27页 |
| ·模式识别技术 | 第17-19页 |
| ·模式分类方祛 | 第19-27页 |
| ·研究的意义 | 第27-28页 |
| ·存在的主要问题 | 第28-29页 |
| ·研究的主要内容 | 第29-31页 |
| 第二章 常用模式分类机制 | 第31-51页 |
| ·引言 | 第31-32页 |
| ·面分类方法 | 第32-45页 |
| ·线性分类面的分类机制 | 第32-33页 |
| ·支持向量机分类机制 | 第33-40页 |
| ·人工神经网络感知器分类机制 | 第40-41页 |
| ·决策树分类机制 | 第41-44页 |
| ·综合分析 | 第44-45页 |
| ·距离分类方法 | 第45-47页 |
| ·类间类内距离分类机制 | 第45页 |
| ·K-近邻法的分类机制 | 第45-47页 |
| ·存在的主要问题 | 第47-50页 |
| ·本章小节 | 第50-51页 |
| 第三章 多体分类模型 | 第51-81页 |
| ·引言 | 第51页 |
| ·类别本征空间 | 第51-54页 |
| ·类别认知空间 | 第54-56页 |
| ·类别表示 | 第56-61页 |
| ·超立方体表示方法 | 第57-60页 |
| ·超球体表示方法 | 第60-61页 |
| ·多体分类模型及特性分析 | 第61-72页 |
| ·模型建立 | 第63-64页 |
| ·模型特性分析 | 第64-67页 |
| ·分类风险分析 | 第67-71页 |
| ·多体分类的风险控制 | 第71-72页 |
| ·应用实例 | 第72-79页 |
| ·本章小节 | 第79-81页 |
| 第四章 WTM-SOFM方法 | 第81-92页 |
| ·引言 | 第81页 |
| ·SOFM神经网络 | 第81-82页 |
| ·SOFM分类器 | 第82-83页 |
| ·SOFM分类器存在的问题 | 第83-85页 |
| ·WTM-SOFM分类器 | 第85-87页 |
| ·训练算法 | 第85-87页 |
| ·WTM-SOFM的训练控制 | 第87页 |
| ·WTM-SOFM实验研究 | 第87-91页 |
| ·实验过程 | 第88-89页 |
| ·实验分析 | 第89-91页 |
| ·本章小结 | 第91-92页 |
| 第五章 版图分类法 | 第92-106页 |
| ·引言 | 第92页 |
| ·分类与领土形成 | 第92-93页 |
| ·版图法分类的基础 | 第93-94页 |
| ·基本假设 | 第93-94页 |
| ·竞争原则 | 第94页 |
| ·数学模型 | 第94-99页 |
| ·相关概念 | 第94-95页 |
| ·版图法建模 | 第95-99页 |
| ·实验研究 | 第99-104页 |
| ·实验过程 | 第99-103页 |
| ·实验分析 | 第103-104页 |
| ·本章小节 | 第104-106页 |
| 第六章 结论与展望 | 第106-108页 |
| ·结论 | 第106页 |
| ·展望 | 第106-108页 |
| 参考文献 | 第108-116页 |
| 致谢 | 第116-117页 |
| 攻读学位期间发表的论文和科研成果 | 第117-119页 |
| 作者简介 | 第119页 |
