| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本论文的主要工作 | 第13-14页 |
| 1.4 本论文的组织结构 | 第14-15页 |
| 第二章 人类立体视觉系统研究 | 第15-23页 |
| 2.1 人类视觉 | 第15-16页 |
| 2.2 人眼的生理结构 | 第16-19页 |
| 2.3 立体视觉的产生 | 第19-21页 |
| 2.3.1 立体视觉的生理特性 | 第19-21页 |
| 2.3.2 立体视觉的心理特性 | 第21页 |
| 2.4 立体图像质量评价影响因素 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 主成分分析和遗传算法介绍 | 第23-33页 |
| 3.1 主成分分析 | 第23-28页 |
| 3.1.1 K-L变换 | 第23-24页 |
| 3.1.2 PCA的原理分析 | 第24-26页 |
| 3.1.3 PCA的实现步骤 | 第26-28页 |
| 3.2 遗传算法 | 第28-32页 |
| 3.2.1 遗传算法基本原理 | 第28-29页 |
| 3.2.2 遗传算法的实现 | 第29-31页 |
| 3.2.3 GA-ELM算法流程 | 第31-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 神经网络算法概述 | 第33-55页 |
| 4.1 人工神经网络概述 | 第33-37页 |
| 4.1.1 人工神经网络模型 | 第33-34页 |
| 4.1.2 常见激活函数 | 第34-36页 |
| 4.1.3 人工神经网络的基本类型 | 第36-37页 |
| 4.2 BP网络 | 第37-44页 |
| 4.2.1 BP神经网络模型 | 第37-38页 |
| 4.2.2 BP算法基本推导 | 第38-42页 |
| 4.2.3 BP算法流程 | 第42-43页 |
| 4.2.4 BP工具箱 | 第43-44页 |
| 4.3 支持向量机 | 第44-49页 |
| 4.3.1 支持向量机的基本概念 | 第44-45页 |
| 4.3.2 线性可分问题求解 | 第45-47页 |
| 4.3.3 非线性可分问题的求解 | 第47-49页 |
| 4.3.4 SVM的多分类问题 | 第49页 |
| 4.4 极端学习机 | 第49-52页 |
| 4.4.1 极端学习机基础 | 第49-52页 |
| 4.4.2 基于核函数的ELM | 第52页 |
| 4.5 ELM和SVM的最优化约束条件 | 第52-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 实验结果与性能分析 | 第55-65页 |
| 5.1 实验数据库的建立与选取 | 第55-56页 |
| 5.2 实验方法 | 第56-57页 |
| 5.2.1 PCA特征空间的提取 | 第56-57页 |
| 5.2.2 网络参数选择 | 第57页 |
| 5.3 实验结果与分析 | 第57-64页 |
| 5.3.1 ELM性能分析 | 第58页 |
| 5.3.2 ELM、SVM和BP算法精度比较 | 第58-60页 |
| 5.3.3 GA-ELM、ELM和KER-ELM的性能比较 | 第60-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-66页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 发表论文和参加科研情况说明 | 第71-72页 |
| 致谢 | 第72-73页 |