| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 第2章 理论基础 | 第17-26页 |
| 2.1 深度学习卷积神经网络基本理论 | 第17-21页 |
| 2.1.1 深度学习理论 | 第17-18页 |
| 2.1.2 卷积神经网络预测模型 | 第18-19页 |
| 2.1.3 卷积神经网络训练模型 | 第19-21页 |
| 2.2 深度子空间基本理论 | 第21-24页 |
| 2.2.1 DPCA模型基本原理 | 第21-22页 |
| 2.2.2 PCANet模型基本原理 | 第22-24页 |
| 2.3 稀疏表示基本原理 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 多层融合深度局部PCA子空间稀疏优化特征提取模型 | 第26-35页 |
| 3.1 引言 | 第26-27页 |
| 3.2 子空间 2DPCA范数稀疏优化 | 第27-28页 |
| 3.3 层融合深度局部PCA子空间稀疏优化 | 第28-30页 |
| 3.4 实验仿真研究 | 第30-34页 |
| 3.4.1 光照、表情人脸识别 | 第30-32页 |
| 3.4.2 深度化模型-单层局部模型对比实验 | 第32-33页 |
| 3.4.3 深度化模型-卷积神经网络对比实验 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 深层融合度量子空间学习稀疏特征提取模型 | 第35-44页 |
| 4.1 引言 | 第35-36页 |
| 4.2 度量子空间学习 | 第36-38页 |
| 4.3 深层融合度量子空间学习稀疏特征提取算法 | 第38-39页 |
| 4.4 实验仿真研究 | 第39-43页 |
| 4.4.1 光照、表情人脸识别 | 第39-40页 |
| 4.4.2 深度化模型-单层局部模型对比实验 | 第40-42页 |
| 4.4.3 深度化模型-卷积神经网络对比实验 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 深层融合对称子空间学习稀疏特征提取模型 | 第44-55页 |
| 5.1 引言 | 第44页 |
| 5.2 对称子空间学习 | 第44-46页 |
| 5.3 深层融合对称子空间学习稀疏特征提取模型 | 第46-48页 |
| 5.4 实验仿真研究 | 第48-53页 |
| 5.4.1 对称性-稀疏性人脸识别 | 第48-50页 |
| 5.4.2 深度化模型-单层局部模型对比实验 | 第50-52页 |
| 5.4.3 深度化模型-卷积神经网络对比实验 | 第52-53页 |
| 5.5 本章小结 | 第53-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第61-62页 |
| 致谢 | 第62页 |