基于非线性偏最小二乘的特征提取方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-15页 |
| ·引言 | 第8-9页 |
| ·研究历史与现状 | 第9-12页 |
| ·经典的特征提取方法研究与发展 | 第9-11页 |
| ·偏最小二乘方法的研究与发展 | 第11-12页 |
| ·偏最小二乘方法在特征提取中的具体应用 | 第12页 |
| ·本文主要的研究内容 | 第12-13页 |
| ·本文的内容安排 | 第13-15页 |
| 2 偏最小二乘及其改进方法在特征提取中的应用 | 第15-40页 |
| ·引言 | 第15页 |
| ·偏最小二乘回归的基本原理 | 第15-17页 |
| ·基本思想 | 第15-16页 |
| ·建模方法 | 第16-17页 |
| ·偏最小二乘回归的计算方法和性质 | 第17-27页 |
| ·计算方法推导 | 第17-18页 |
| ·理论算法 | 第18-19页 |
| ·实用算法 | 第19-24页 |
| ·基本性质 | 第24-25页 |
| ·实验与分析 | 第25-27页 |
| ·偏最小二乘回归方法的改进 | 第27-39页 |
| ·自变量矩阵X的预处理 | 第27-29页 |
| ·因变量矩阵Y的表示 | 第29-31页 |
| ·改进的偏最小二乘方法 | 第31-39页 |
| ·本章小结 | 第39-40页 |
| 3 基于核偏最小二乘分析的特征提取技术 | 第40-56页 |
| ·引言 | 第40-41页 |
| ·核函数方法 | 第41-43页 |
| ·核函数的确定 | 第43-50页 |
| ·核函数的选择 | 第44-47页 |
| ·核函数的构造 | 第47-50页 |
| ·核偏最小二乘算法 | 第50-52页 |
| ·基于迭代思想的核偏最小二乘算法 | 第50-51页 |
| ·基于非迭代奇异值分解的核偏最小二乘算法 | 第51页 |
| ·改进的核偏最小二乘算法 | 第51-52页 |
| ·实验与分析 | 第52-55页 |
| ·实验1 | 第52页 |
| ·实验2 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 4 基于模糊神经网络偏最小二乘分析的特征提取技术 | 第56-75页 |
| ·引言 | 第56-57页 |
| ·模糊神经网络 | 第57-66页 |
| ·模糊数学 | 第57-61页 |
| ·神经网络 | 第61-65页 |
| ·模糊神经网络 | 第65-66页 |
| ·模糊神经网络偏最小二乘算法 | 第66-69页 |
| ·实验与分析 | 第69-74页 |
| ·在ORL上的实验 | 第69-71页 |
| ·在Yale上的实验 | 第71-72页 |
| ·在FERET上的实验 | 第72-74页 |
| ·本章小结 | 第74-75页 |
| 5 结束语 | 第75-77页 |
| ·本文总结 | 第75-76页 |
| ·未来展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 附录 | 第82页 |
