基于支持向量机运动预测的稳像技术
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-9页 |
| 目录 | 第9-11页 |
| 第1章 绪论 | 第11-19页 |
| ·课题背景与意义 | 第11-13页 |
| ·稳像技术的国内外现状 | 第13-17页 |
| ·论文的主要工作和创新点 | 第17-19页 |
| ·论文的主要工作 | 第17-18页 |
| ·论文的创新点 | 第18-19页 |
| 第2章 运动预测算法 | 第19-39页 |
| ·神经网络 | 第19-25页 |
| ·人工神经元 | 第20-21页 |
| ·人工神经网络的分类 | 第21页 |
| ·BP神经网络的学习过程 | 第21-24页 |
| ·BP神经网络的参数选择 | 第24-25页 |
| ·支持向量机 | 第25-33页 |
| ·统计学习理论基础 | 第25-28页 |
| ·支持向量机原理 | 第28-31页 |
| ·支持向量机核函数 | 第31页 |
| ·支持向量机的训练算法 | 第31-33页 |
| ·神经网络和支持向量机对比 | 第33-39页 |
| ·神经网络和支持向量机的结果分析 | 第33-35页 |
| ·支持向量机的鲁棒性分析 | 第35-37页 |
| ·结论 | 第37-39页 |
| 第3章 支持向量机的参数优化 | 第39-65页 |
| ·SVM参数分析 | 第39-41页 |
| ·网格搜索 | 第41-42页 |
| ·遗传算法 | 第42-51页 |
| ·遗传算法的基本概念 | 第43-45页 |
| ·遗传算法的构成要素 | 第45-50页 |
| ·控制参数的选择 | 第50-51页 |
| ·渐近线性搜索 | 第51-53页 |
| ·改进的线性搜索 | 第53-57页 |
| ·方法对比和分析 | 第57-65页 |
| ·SVM分类数据的三种方法对比分析 | 第57-61页 |
| ·SVM回归数据的三种方法对比分析 | 第61-64页 |
| ·结论 | 第64-65页 |
| 第4章 基于SVM运动预测的稳像系统 | 第65-79页 |
| ·稳像系统实验平台 | 第65-66页 |
| ·基于SVM的稳像模型分析 | 第66-68页 |
| ·稳像系统的软件流程 | 第68-71页 |
| ·稳像评价方式 | 第71-73页 |
| ·图像质量评价方法 | 第71-72页 |
| ·补偿度评价 | 第72-73页 |
| ·稳像结果分析 | 第73-79页 |
| 第5章 总结与展望 | 第79-81页 |
| ·总结 | 第79-80页 |
| ·展望 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 硕士期间发表的论文&申请的专利 | 第85页 |
