动物血液荧光光谱的识别分类研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的主要研究内容及论文结构 | 第11-13页 |
| 第二章 统计机器学习方法概述 | 第13-29页 |
| 2.1 相关统计机器学习方法的基本概念 | 第13-15页 |
| 2.2 特征选择与提取方法 | 第15-17页 |
| 2.3 支持向量机分类器及其参数优化方法 | 第17-19页 |
| 2.4 深层信念网络 | 第19-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 血液荧光光谱数据的采集、统计分析及预处理 | 第29-40页 |
| 3.1 血液荧光光谱数据的采集 | 第29-30页 |
| 3.2 血液荧光光谱数据的统计分析 | 第30-38页 |
| 3.3 血液荧光光谱数据的预处理 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于支持向量机的血液光谱识别分类方法 | 第40-48页 |
| 4.1 原始特征的确定 | 第40-41页 |
| 4.2 特征选择与提取 | 第41-42页 |
| 4.3 支持向量机多分类模型的建立 | 第42页 |
| 4.4 模型输入特征的确定 | 第42-43页 |
| 4.5 支持向量机的参数优化 | 第43-44页 |
| 4.6 交叉验证结果 | 第44-45页 |
| 4.7 去噪分解层数对识别效果的影响 | 第45-48页 |
| 4.8 本章小结 | 第48页 |
| 第五章 基于深层信念网络的血液光谱识别分类方法 | 第48-56页 |
| 5.1 输入特征的确定及其预处理 | 第48页 |
| 5.2 模型的参数初始设定 | 第48-50页 |
| 5.3 模型的构建 | 第50-51页 |
| 5.4 重构误差与训练次数 | 第51-52页 |
| 5.5 交叉验证结果 | 第52-53页 |
| 5.6 去噪分解层数对识别效果的影响 | 第53-54页 |
| 5.7 两种方法的性能对比 | 第54-55页 |
| 5.8 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间取得的成果 | 第61页 |
