地基云图云状识别算法研究
| 目录 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第8-11页 |
| ·课题研究的背景和意义 | 第8页 |
| ·国内外研究的现状 | 第8-9页 |
| ·论文研究的主要内容和创新点 | 第9-10页 |
| ·论文的组织结构 | 第10-11页 |
| 第二章 地基云图的分类及预处理 | 第11-17页 |
| ·地基云图云状分类 | 第11-13页 |
| ·地基云图图像的预处理 | 第13-16页 |
| ·尺度归一化 | 第13-14页 |
| ·灰度化 | 第14页 |
| ·直方图均衡化 | 第14页 |
| ·平滑滤波 | 第14-15页 |
| ·图像锐化 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 第三章 地基云图的纹理特征提取方法研究 | 第17-30页 |
| ·纹理定义与特征 | 第17页 |
| ·纹理特征的描述方法与分类 | 第17-19页 |
| ·统计家族 | 第18-19页 |
| ·模型家族 | 第19页 |
| ·结构家族 | 第19页 |
| ·信号处理家族 | 第19页 |
| ·纹理特征提取方法的比较 | 第19-20页 |
| ·地基云图的纹理特征提取 | 第20-27页 |
| ·灰度共生矩阵方法(GLCM) | 第20-24页 |
| ·局部二进制模式(LBP) | 第24-27页 |
| ·融合全局特征和局部特征的云图特征算法 | 第27-29页 |
| ·特征融合的方式 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第四章 地基云图识别分类技术 | 第30-48页 |
| ·模式识别概述 | 第30-31页 |
| ·常用的地基云图识别分类方法 | 第31-39页 |
| ·最近邻分类算法(KNN) | 第31-33页 |
| ·支持向量机方法(SVM) | 第33-35页 |
| ·BP神经网络方法 | 第35-39页 |
| ·实验数据与评判标准 | 第39-42页 |
| ·实验数据 | 第39-41页 |
| ·实验评判准则 | 第41-42页 |
| ·实验及讨论 | 第42-47页 |
| ·实验安排 | 第42-43页 |
| ·实验结果及分析 | 第43-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 基于K均值选择性集成神经网络模型的设计 | 第48-58页 |
| ·集成学习的基本概念 | 第48页 |
| ·集成学习的优势 | 第48-50页 |
| ·集成学习的主要算法 | 第50-52页 |
| ·Bagging算法 | 第50页 |
| ·Boosting算法 | 第50-51页 |
| ·Boosting&Bagging比较 | 第51-52页 |
| ·集成学习存在的不足 | 第52页 |
| ·基于K均值选择性集成的地基云图识别算法 | 第52-54页 |
| ·K均值算法 | 第53页 |
| ·神经网络分类器多样性集成的设计 | 第53-54页 |
| ·实验及讨论 | 第54-57页 |
| ·实验安排 | 第54页 |
| ·实验结果及分析 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 第六章 地基云图识别原型实验系统 | 第58-66页 |
| ·系统框架的设计 | 第58-59页 |
| ·系统模块功能的设计 | 第59页 |
| ·系统的实现 | 第59-65页 |
| ·系统开发的环境 | 第59-60页 |
| ·GUIDE界面 | 第60-61页 |
| ·地基云图识别原型系统的界面设计 | 第61-65页 |
| ·本章小结 | 第65-66页 |
| 第七章 总结与展望 | 第66-68页 |
| ·总结 | 第66页 |
| ·展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 作者简介及在学成果 | 第71-72页 |
| 致谢 | 第72页 |
