生物启发式图像分类算法研究
| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 研究背景与选题意义 | 第13-14页 |
| 1.2 相关研究现状与进展 | 第14-18页 |
| 1.2.1 传统视觉中的目标识别 | 第15-17页 |
| 1.2.2 生物视觉中的目标识别 | 第17-18页 |
| 1.3 目标识别与图像分类的难点 | 第18-19页 |
| 1.4 本文研究内容与创新点 | 第19-21页 |
| 1.4.1 主要研究内容 | 第20页 |
| 1.4.2 创新点与贡献 | 第20-21页 |
| 1.5 本文章节安排 | 第21-23页 |
| 第二章 目标识别与图像分类问题 | 第23-35页 |
| 2.1 目标识别的定义 | 第23-24页 |
| 2.1.1 认知生理学定义 | 第23-24页 |
| 2.1.2 计算机科学定义 | 第24页 |
| 2.2 目标识别的生理学基础 | 第24-29页 |
| 2.2.1 视觉传导神经通路 | 第24-26页 |
| 2.2.2 视觉皮层层次通路 | 第26-28页 |
| 2.2.3 目标识别相关的腹侧通路 | 第28-29页 |
| 2.3 目标识别问题的数学描述 | 第29-32页 |
| 2.4 目标识别问题的解决方案 | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 极限学习机及其应用 | 第35-51页 |
| 3.1 单隐层前馈神经网络 | 第35-40页 |
| 3.1.1 机器学习简介 | 第35页 |
| 3.1.2 人工神经网络 | 第35-37页 |
| 3.1.3 单隐层前馈神经网络模型 | 第37-40页 |
| 3.2 极限学习机算法 | 第40-45页 |
| 3.2.1 极限学习机算法原理 | 第40-42页 |
| 3.2.2 算法步骤与算法特点 | 第42-43页 |
| 3.2.3 极限学习机的特征映射 | 第43-45页 |
| 3.3 极限学习机与支持向量机对比 | 第45-48页 |
| 3.4 基于极限学习机的分类问题 | 第48-50页 |
| 3.4.1 训练样本数量较小的情况 | 第48-49页 |
| 3.4.2 训练样本数量较大的情况 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 生物启发式图像分类算法设计 | 第51-63页 |
| 4.1 生物启发式图像分类算法设计思想 | 第51-53页 |
| 4.2 生物启发式图像分类算法网络计算实现 | 第53-59页 |
| 4.3 生物启发式图像分类算法网络流程步骤 | 第59-60页 |
| 4.4 生物启发式图像分类算法网络特点分析 | 第60-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第五章 生物启发式图像分类算法实验与分析 | 第63-81页 |
| 5.1 实验数据库与实验环境 | 第63-65页 |
| 5.1.1 图像数据集 | 第63-64页 |
| 5.1.2 实验仿真环境 | 第64-65页 |
| 5.2 实验设置与评价指标 | 第65-67页 |
| 5.2.1 模型参数设置 | 第65页 |
| 5.2.2 实验参数设置 | 第65-66页 |
| 5.2.3 实验测试指标 | 第66-67页 |
| 5.3 实验设计与结果 | 第67-78页 |
| 5.3.1 识别准确率验证 | 第68-70页 |
| 5.3.2 参数敏感性分析 | 第70-72页 |
| 5.3.3 混淆矩阵计算 | 第72-75页 |
| 5.3.4 隐藏结点比较 | 第75-78页 |
| 5.4 实验总结与分析 | 第78-79页 |
| 5.5 本章小结 | 第79-81页 |
| 第六章 总结与展望 | 第81-85页 |
| 6.1 论文总结 | 第81-83页 |
| 6.2 研究展望 | 第83-85页 |
| 参考文献 | 第85-91页 |
| 附录A | 第91-95页 |
| A.1 HMAX模型概述 | 第91-92页 |
| A.2 HMAX计算模型 | 第92-95页 |
| 作者简介 | 第95页 |
| 作者攻读硕士期间完成的科研成果 | 第95页 |
