Kernel PCA中核参数优化及应用
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-14页 |
| ·研究背景 | 第9-11页 |
| ·核主分量分析国内外研究现状 | 第11-12页 |
| ·核主分量分析研究现状 | 第11-12页 |
| ·核参数优化研究现状 | 第12页 |
| ·本文工作与结构 | 第12-14页 |
| 2 核主分量分析与特征提取 | 第14-24页 |
| ·特征提取 | 第14-15页 |
| ·基于核的主分量分析 | 第15-19页 |
| ·主分量分析 | 第15-17页 |
| ·特征空间思想 | 第17-19页 |
| ·核化方法 | 第19页 |
| ·核主分量分析 | 第19-23页 |
| ·核矩阵中心化 | 第21-22页 |
| ·核主分量分析算法步骤核矩阵中心化 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 3 基于高斯相似·性的核参数优化 | 第24-31页 |
| ·核参数对Kernel PCA性能的影响 | 第24-27页 |
| ·映射函数对Kernel PCA的影响 | 第24-26页 |
| ·Kernel PCA核参数评价标准 | 第26-27页 |
| ·特征子空间的数据结构 | 第27-28页 |
| ·基于高斯相似性的核参数优化算法 | 第28-30页 |
| ·基于最大熵原则的高斯相似性测度 | 第28-29页 |
| ·最优核参数测度 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 4 基于独立分量分析的核参数优化 | 第31-47页 |
| ·独立分量分析与高斯相似性 | 第31-33页 |
| ·用独立分量分析求高斯相似方向 | 第31页 |
| ·独立分量分析与高斯相似性 | 第31-33页 |
| ·基于多层神经网络的独立分量分析 | 第33-45页 |
| ·基于最小互信息的独立分量分析 | 第33-34页 |
| ·基于多层神经网络的概率密度函数估计 | 第34-37页 |
| ·基于多层神经网络的独立分量分析 | 第37-38页 |
| ·独立分量分析算法仿真实验 | 第38-43页 |
| ·算法性能及计算复杂度 | 第43-45页 |
| ·基于独立分量分析的核参数优化 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 5 核参数优化的应用 | 第47-57页 |
| ·模拟数据特征提取的核参数优化 | 第47-49页 |
| ·基于高斯相似性的核参数优化算法结果 | 第48-49页 |
| ·基于独立分量分析的核参数优化算法结果 | 第49页 |
| ·降噪应用中的核参数优化 | 第49-56页 |
| ·基于核主分量分析的降噪算法 | 第50页 |
| ·核参数优化用于手写体数字降噪 | 第50-53页 |
| ·人脸降噪的核参数优化 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 6 结论 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间发表的论文 | 第62-63页 |
| 致谢 | 第63-65页 |
