| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 引言 | 第8-9页 |
| 1.2 生物特征识别技术简介 | 第9-10页 |
| 1.3 多生物识别技术的国内外研究现状 | 第10-12页 |
| 1.4 本文主要工作及内容安排 | 第12-14页 |
| 2 相关理论与方法 | 第14-28页 |
| 2.1 人工神经网络 | 第14-17页 |
| 2.1.1 神经元结构 | 第14-15页 |
| 2.1.2 人工神经网络分类 | 第15-17页 |
| 2.1.3 单隐层前馈神经网络 | 第17页 |
| 2.2 极限学习机 | 第17-20页 |
| 2.2.1 极限学习机的理论 | 第18页 |
| 2.2.2 极限学习机算法描述 | 第18-20页 |
| 2.3 深度学习算法介绍 | 第20-27页 |
| 2.3.1 自动编码器 | 第21-23页 |
| 2.3.2 受限波尔兹曼机 | 第23-24页 |
| 2.3.3 深度置信网络 | 第24-26页 |
| 2.3.4 卷积神经网络 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 基于堆栈极限深度学习机和典型相关分析方法的多生物特征图像识别模型 | 第28-42页 |
| 3.1 多生物特征图像识别问题描述 | 第28-29页 |
| 3.2 多生物特征图像深度学习识别模型 | 第29-34页 |
| 3.2.1 模型描述 | 第29-31页 |
| 3.2.2 工作流程 | 第31-33页 |
| 3.2.3 多生物特征图像识别的关键步骤 | 第33-34页 |
| 3.3 基于极限学习单元的深度学习模型--堆栈极限深度学习机 | 第34-37页 |
| 3.3.1 极限学习单元 | 第35页 |
| 3.3.2 基于极限学习单元的深度学习模型--堆栈极限深度学习机 | 第35-36页 |
| 3.3.3 性能测试 | 第36-37页 |
| 3.4 基于核函数的典型相关分析方法 | 第37-41页 |
| 3.4.1 典型相关分析方法 | 第37-38页 |
| 3.4.2 基于核函数的典型相关分析方法 | 第38-40页 |
| 3.4.3 算法性能理论分析 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 4 实验与分析 | 第42-48页 |
| 4.1 数据集介绍 | 第42-43页 |
| 4.1.1 ORL人脸数据集 | 第42页 |
| 4.1.2 FERET人脸数据集 | 第42-43页 |
| 4.1.3 MMCBNU-6000指静脉数据集 | 第43页 |
| 4.1.4 多生物特征图像数据集 | 第43页 |
| 4.2 实验分析 | 第43-47页 |
| 4.2.1 堆栈极限深度学习模型对图像特征的高效表达 | 第43-44页 |
| 4.2.2 核典型相关分析融合方法对分类效果的影响比较 | 第44-45页 |
| 4.2.3 不同隐含层节点下不同方法的实验结果比较 | 第45-46页 |
| 4.2.4 参数稳定性评估 | 第46-47页 |
| 4.3 本章小结 | 第47-48页 |
| 5 总结 | 第48-49页 |
| 5.1 论文总结 | 第48页 |
| 5.2 论文的创新点 | 第48页 |
| 5.3 论文的不足 | 第48-49页 |
| 6 参考文献 | 第49-55页 |
| 7 攻读硕士学位期间发表论文与科研项目情况 | 第55-56页 |
| 8 致谢 | 第56页 |
