支持向量机在分类及人脸检测应用中的研究
| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 第一章 序论 | 第7-19页 |
| ·论文背景 | 第7-8页 |
| ·机器学习的基本问题 | 第8-10页 |
| ·问题的表示 | 第8-9页 |
| ·经验风险最小化 | 第9-10页 |
| ·复杂性与推广能力 | 第10页 |
| ·统计学习理论的核心内容 | 第10-13页 |
| ·VC维 | 第11页 |
| ·推广性的界 | 第11-12页 |
| ·结构风险最小化 | 第12-13页 |
| ·支持向量机 | 第13-17页 |
| ·广义最优分类面 | 第13-15页 |
| ·支持向量机 | 第15-16页 |
| ·核函数 | 第16页 |
| ·核函数主成分分析 | 第16-17页 |
| ·本文主要工作 | 第17-19页 |
| 第二章 最优化理论及SVM训练算法 | 第19-28页 |
| ·引言 | 第19页 |
| ·SVM分类的表示 | 第19-20页 |
| ·最优化理论简介 | 第20-25页 |
| ·最优化理论的引言 | 第20-21页 |
| ·最优化方法的结构 | 第21-22页 |
| ·二次规划 | 第22-23页 |
| ·内点算法 | 第23-25页 |
| ·SVM训练算法 | 第25-27页 |
| ·结论 | 第27-28页 |
| 第三章 SVM分类在图像处理中的实例分析 | 第28-40页 |
| ·引言 | 第28页 |
| ·SVM分类的流程 | 第28-30页 |
| ·实例分析 | 第30-39页 |
| ·核函数与参数选择 | 第30-39页 |
| ·SVM分类效果的原理分析 | 第39页 |
| ·小结 | 第39-40页 |
| 第四章 KERNEL PCA的人脸检测方法 | 第40-48页 |
| ·引言 | 第40页 |
| ·人脸检测 | 第40-41页 |
| ·传统PCA方法的人脸检测 | 第41-42页 |
| ·核空间思想 | 第42-44页 |
| ·Kernel PCA方法的人脸检测 | 第44-45页 |
| ·试验及结果 | 第45-48页 |
| ·试验 | 第45-46页 |
| ·结果分析 | 第46-48页 |
| 第五章 结束语 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
