板带材表面缺陷组合特征的降维聚类识别算法研究
| 独创性声明 | 第1页 |
| 学位论文版权使用授权书 | 第3-4页 |
| 中文摘要 | 第4-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-17页 |
| ·研究背景 | 第10-11页 |
| ·国内外研究概况、水平及发展趋势 | 第11-15页 |
| ·国外发展现状 | 第11-12页 |
| ·国内主要研究成果 | 第12-14页 |
| ·研究方向及发展趋势 | 第14-15页 |
| ·研究目的、意义和内容 | 第15-17页 |
| 第二章 特征提取与多特征组合 | 第17-39页 |
| ·图像获取与分类 | 第17-19页 |
| ·图像获取 | 第17-19页 |
| ·缺陷图像分类 | 第19页 |
| ·图像特征提取 | 第19-30页 |
| ·直方图统计特征分析 | 第20-21页 |
| ·小波变换特征 | 第21-25页 |
| ·基于灰度共生矩阵的特征 | 第25-28页 |
| ·基于不变矩的特征 | 第28-30页 |
| ·多特征的组合选择 | 第30-38页 |
| ·特征归一化 | 第31-32页 |
| ·多种特征的组合选择 | 第32-38页 |
| ·本章小结 | 第38-39页 |
| 第三章 图像多维特征的降维处理 | 第39-52页 |
| ·图像特征降维概述 | 第39-40页 |
| ·SOFM神经网络结构 | 第40-43页 |
| ·SOFM神经网络算法 | 第41-42页 |
| ·SOFM神经网络参数确定 | 第42-43页 |
| ·SOFM神经网络降维 | 第43-51页 |
| ·SOFM神经网络特征降维流程 | 第43-44页 |
| ·SOFM神经网络训练 | 第44-46页 |
| ·SOFM神经网络特征降维实验结果 | 第46-50页 |
| ·特征降维结果分析 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 最近邻搜索聚类算法 | 第52-61页 |
| ·最近邻法 | 第52-54页 |
| ·最近邻决策规则 | 第52-53页 |
| ·K-近邻法 | 第53页 |
| ·近邻法的优缺点 | 第53-54页 |
| ·最近邻搜索聚类算法 | 第54-60页 |
| ·最近邻搜索算法基本概念 | 第54-55页 |
| ·最近邻搜索聚类算法 | 第55-57页 |
| ·最近邻搜索聚类实验结果 | 第57-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 组合特征降维聚类识别算法及其学习与扩展 | 第61-76页 |
| ·组合特征降维聚类识别算法模型 | 第61-63页 |
| ·组合特征降维聚类识别算法建模与识别流程 | 第61-63页 |
| ·图像数据库 | 第63-66页 |
| ·图像数据库的概述 | 第63-64页 |
| ·Visual C++与数据库技术的开发 | 第64-66页 |
| ·图像数据库数据结构 | 第66页 |
| ·组合特征降维聚类识别算法 | 第66-69页 |
| ·多层感知器的分析 | 第66-67页 |
| ·组合特征降维聚类识别算法设计 | 第67-69页 |
| ·组合特征降维聚类识别算法实验结果 | 第69-72页 |
| ·降维近邻聚类识别算法的学习与扩展 | 第72-75页 |
| ·问题的提出 | 第72-73页 |
| ·算法的学习与扩展 | 第73-74页 |
| ·算法学习扩展后的实验结果 | 第74-75页 |
| ·本章小结 | 第75-76页 |
| 第六章 组合特征降维聚类识别软件编制 | 第76-86页 |
| ·开发环境 | 第76-77页 |
| ·开发工具选择 | 第76页 |
| ·数据库选择 | 第76-77页 |
| ·软件系统的构成 | 第77-83页 |
| ·数据库输入操作模块 | 第77-79页 |
| ·图像聚类操作模块 | 第79-81页 |
| ·图像识别操作模块 | 第81-83页 |
| ·数据库数据结构 | 第83-86页 |
| 第七章 结论 | 第86-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91页 |
