| 摘要 | 第1-11页 |
| 图表索引 | 第11-13页 |
| 第一章 绪论 | 第13-23页 |
| ·神经网络目标识别的重要意义 | 第13-16页 |
| ·多层前馈神经网络发展及其在目标识别中的应用研究现状 | 第16-18页 |
| ·人工神经网络的发展 | 第16页 |
| ·多层前馈神经网络及其在图象目标识别中的应用 | 第16-17页 |
| ·多层前馈神经网络的问题及其国、内外研究者的改进措施 | 第17-18页 |
| ·小波分析及其在图下过那目标识别中的应用现状 | 第18-19页 |
| ·小波分析的发展 | 第18页 |
| ·小波分析在图像目标识别中的应用 | 第18-19页 |
| ·小波分析和神经网络的结合 | 第19-20页 |
| ·小波分析与神经网络的辅助式结合 | 第19页 |
| ·小波神经网络发展及研究现状 | 第19-20页 |
| ·本文的立题思想和内容安排 | 第20-23页 |
| 第二章 变步长和归一化的BP算法及其在目标识别中的应用研究 | 第23-36页 |
| ·多层前馈网络描述及训练算法机理 | 第23-25页 |
| ·多层前馈型神经网络描述 | 第23-25页 |
| ·误差函数与误差曲面 | 第25页 |
| ·误差反向传播算法(BP算法) | 第25-28页 |
| ·BP算法的数学描述 | 第25-27页 |
| ·BP算法存在的问题 | 第27-28页 |
| ·前馈型神经网络结构设计方法 | 第28-32页 |
| ·输入层和输出层的设计方法 | 第28-29页 |
| ·隐层数和层内节点数的选择 | 第29-32页 |
| ·改进的BP算法在多目标识别中的应用 | 第32-35页 |
| ·改进的BP算法原理 | 第32-33页 |
| ·实验结果 | 第33-34页 |
| ·改进的BP算法与传统的BP算法结果比较 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 基于多通道GABOR滤波器的高鲁棒灰度图象目标识别算法 | 第36-53页 |
| ·纹理特征描述 | 第36-37页 |
| ·纹理特征定义及其在图像处理中的应用 | 第36-37页 |
| ·基于小波变换的局部方向、能量信息的纹理分析方法 | 第37页 |
| ·GABOR滤波器原理 | 第37-39页 |
| ·GABOR滤波器表达式 | 第37-39页 |
| ·GABOR滤波器的性质 | 第39页 |
| ·多通道GABOR滤波器 | 第39-41页 |
| ·基于多通道GABOR滤波器的图像展开 | 第39-40页 |
| ·多通道GABOR滤波器的选择原则 | 第40-41页 |
| ·基于多通道Gabor滤波器的纹理特征提取 | 第41-44页 |
| ·用于纹理特征提取的Gabor函数和小波 | 第41-42页 |
| ·多通道Gabor滤波器的设计 | 第42-44页 |
| ·灰度图像目标的特征向量表示 | 第44页 |
| ·基于多通道Gabor滤波器的灰度图像目标识别 | 第44-51页 |
| ·灰度图像目标的特征提取 | 第44-45页 |
| ·运用改进的BP神经网络分类识别 | 第45页 |
| ·实验一 不同隐层节点的识别率与二值化图像识别实验 | 第45-46页 |
| ·实验二 加不同性质和含量噪声的图像目标识别实验 | 第46-48页 |
| ·实验三 拒识率实验 | 第48-51页 |
| ·本章小结 | 第51-53页 |
| 第四章 基于Gabor小波变换的相位叠加(PC，Phase Congruency)特征不变量的提取 | 第53-65页 |
| ·图象相位叠加不变量(PC)的表达式 | 第53-56页 |
| ·局部能量函数和相位叠加函数 | 第53-55页 |
| ·用Gabor小波来计算相位叠加(PC)不变量 | 第55-56页 |
| ·一维信号的相位叠加不变量的计算 | 第56-57页 |
| ·不含噪声的一维信号PC的计算 | 第56页 |
| ·噪声对不变量的影响 | 第56-57页 |
| ·噪声补偿的问题 | 第57-59页 |
| ·噪声补偿的问题的理论探讨 | 第57-58页 |
| ·利用修正的公式求出含有噪声的信号的PC不变量 | 第58-59页 |
| ·灰度图像目标的相位叠加(PC)不变量 | 第59-64页 |
| ·图像PC的计算 | 第59-62页 |
| ·利用PC图像进行目标边缘检测实验 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 第五章 基于Log Gabor小波变换的相位叠加(PC)不变量的灰度图象目标识别 | 第65-75页 |
| ·Log Gabor函数的性能分析 | 第65-68页 |
| ·Gabor函数的性能 | 第65-66页 |
| ·Log Gabor函数的性能分析 | 第66-67页 |
| ·Log Gabor函数两个重要特征 | 第67-68页 |
| ·用Log Gabor小波计算相位叠加(PC)不变量 | 第68-72页 |
| ·相位叠加(PC)公式的修正 | 第68-69页 |
| ·利用修正的公式计算飞机的相位叠加(PC)不变量 | 第69-72页 |
| ·基于相位叠加(PC)不变量神经网络图象目标识别算法 | 第72-73页 |
| ·新算法的具体步骤 | 第72-73页 |
| ·实验结果与讨论 | 第73页 |
| ·本章小结 | 第73-75页 |
| 第六章 Gabor小波神经网络的及其在灰度图象目标识别中的应用 | 第75-83页 |
| ·三种不同的目标描述法 | 第75-76页 |
| ·基于特征的目标描述法 | 第75页 |
| ·基于模板的目标描述法 | 第75-76页 |
| ·基于Gabor小波神经网络的目标描述法 | 第76页 |
| ·Gabor小波神经网络的构建 | 第76-80页 |
| ·Gabor小波变换册 | 第76-78页 |
| ·Gabor小波神经网络 | 第78-80页 |
| ·Gabor小波神经网络的训练算法 | 第80-82页 |
| ·Gabor小波神经网络算法的理论分析 | 第80-81页 |
| ·Gabor小波神经网络算法的具体步骤 | 第81页 |
| ·实验结果与讨论 | 第81-82页 |
| ·本章小结 | 第82-83页 |
| 第七章 基于多CPU并行结构的神经网络集成算法初探 | 第83-91页 |
| ·神经网络集成算法的发展 | 第83-85页 |
| ·神经网络集成的重要性 | 第83-84页 |
| ·神经网络集成的研究进展概述 | 第84-85页 |
| ·神经网络集成的实现方法 | 第85-86页 |
| ·结论生成方法 | 第85页 |
| ·个体生成方法 | 第85-86页 |
| ·基于多CPU的神经网络集成的自动目标识别 | 第86-88页 |
| ·多CPU神经网络集成的体系结构 | 第86-87页 |
| ·基于多CPU神经网络集成系统的硬件设计 | 第87-88页 |
| ·仿真实验结果与讨论 | 第88-90页 |
| ·本章小结 | 第90-91页 |
| 总结和展望 | 第91-94页 |
| 参考文献 | 第94-102页 |
| 致谢 | 第102-104页 |
| 作者简历 | 第104-105页 |
| 作者在攻读博士学位期间发表的论文 | 第105-106页 |
