| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 国外研究现状 | 第9页 |
| 1.2.2 国内研究现状 | 第9-10页 |
| 1.3 研究目标与意义 | 第10页 |
| 1.4 研究内容与方法 | 第10-11页 |
| 1.5 论文结构 | 第11-12页 |
| 第二章 相关理论 | 第12-25页 |
| 2.1 指纹识别方法 | 第12-14页 |
| 2.1.1 指纹特征提取 | 第13-14页 |
| 2.1.2 指纹识别 | 第14页 |
| 2.2 独立分量分析（ICA） | 第14-20页 |
| 2.2.1 盲信号分离问题 | 第14-17页 |
| 2.2.2 独立分量分析方法 | 第17-19页 |
| 2.2.3 FastICA 算法 | 第19-20页 |
| 2.3 极限学习机（ELM） | 第20-25页 |
| 2.3.1 人工神经网络 | 第20-21页 |
| 2.3.2 单隐层前馈神经网络（SLNFs） | 第21-22页 |
| 2.3.3 极限学习机（ELM） | 第22-25页 |
| 第三章 基于 ICA 和 ELM 的指纹识别方法建模 | 第25-35页 |
| 3.1 ICA 和 ELM 的指纹识别方法 | 第25-27页 |
| 3.1.1 ICA 和 ELM 结合的指纹识别优势 | 第25-26页 |
| 3.1.2 ICA 和 ELM 结合的有噪指纹识别过程 | 第26-27页 |
| 3.2 ICA 方法进行噪声分离 | 第27-29页 |
| 3.2.1 指纹图像预处理 | 第27页 |
| 3.2.2 有噪指纹图像的独立分量分析 | 第27-28页 |
| 3.2.3 对有噪指纹图像进行噪声分离 | 第28-29页 |
| 3.3 FastICA 算法提取指纹特征 | 第29-31页 |
| 3.3.1 指纹图像的 ICA 模型 | 第29-30页 |
| 3.3.2 FastICA 算法特征提取 | 第30-31页 |
| 3.4 ELM 方法进行识别 | 第31-34页 |
| 3.4.1 基于 ELM 的识别方法建模 | 第31-33页 |
| 3.4.2 基于 ELM 的指纹识别 | 第33-34页 |
| 3.5 ICA 和 ELM 的指纹识别方法建模 | 第34-35页 |
| 第四章 基于 ICA 和 ELM 的指纹识别方法的实现 | 第35-41页 |
| 4.1 系统的开发运行环境 | 第35页 |
| 4.2 系统模块的实现 | 第35-39页 |
| 4.2.1 噪声分离模块 | 第35-36页 |
| 4.2.2 指纹预处理模块 | 第36-37页 |
| 4.2.3 指纹特征提取模块 | 第37-38页 |
| 4.2.4 指纹识别模块 | 第38-39页 |
| 4.3 系统整体实现 | 第39-41页 |
| 第五章 基于 ICA 和 ELM 的指纹识别方法的验证 | 第41-46页 |
| 5.1 噪声分离实验结果与分析 | 第41-43页 |
| 5.2 指纹识别实验结果与分析 | 第43-46页 |
| 第六章 总结与展望 | 第46-48页 |
| 6.1 全文总结 | 第46-47页 |
| 6.2 展望 | 第47-48页 |
| 参考文献 | 第48-50页 |
| 致谢 | 第50-51页 |
| 在学期间公开发表论文及著作情况 | 第51页 |
