基于完全二叉树SVM烧结工况多类识别的研究与实现
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-15页 |
| ·研究背景和意义 | 第11页 |
| ·烧结工况识别现状 | 第11-13页 |
| ·论文主要工作 | 第13页 |
| ·本文组织结构 | 第13-15页 |
| 第2章 图像处理与模式识别方法综述 | 第15-35页 |
| ·图像去噪处理方法 | 第15-16页 |
| ·均值滤波 | 第15页 |
| ·中值滤波 | 第15-16页 |
| ·小波去噪 | 第16页 |
| ·图像分割方法 | 第16-19页 |
| ·阈值分割法 | 第17页 |
| ·边缘检测分割法 | 第17-18页 |
| ·快速行进法 | 第18-19页 |
| ·特征提取方法 | 第19-20页 |
| ·颜色特征 | 第19页 |
| ·纹理特征 | 第19-20页 |
| ·形状特征 | 第20页 |
| ·特征选择方法 | 第20-25页 |
| ·特征选择算法框架 | 第21页 |
| ·Relief方法 | 第21-22页 |
| ·因子分析 | 第22-25页 |
| ·特征评价 | 第25页 |
| ·模式识别分类方法 | 第25-33页 |
| ·人工神经网络 | 第26-29页 |
| ·支持向量机 | 第29-33页 |
| ·本章小结 | 第33-35页 |
| 第3章 基于完全二叉树SVM的多类工况识别 | 第35-51页 |
| ·图像去噪 | 第35-37页 |
| ·离散小波变换 | 第35-36页 |
| ·组合去噪算法 | 第36-37页 |
| ·特征提取 | 第37-38页 |
| ·颜色特征提取 | 第37页 |
| ·纹理特征提取 | 第37页 |
| ·形状特征提取 | 第37-38页 |
| ·特征约简 | 第38-43页 |
| ·ReliefF特征约简方法 | 第39-40页 |
| ·主成分分析方法 | 第40-41页 |
| ·特征集合的评价方法 | 第41-42页 |
| ·基于ReliefF-PCA的特征约简方法 | 第42-43页 |
| ·烧结工况的识别模型 | 第43-49页 |
| ·七类烧结工况分析 | 第43-44页 |
| ·多类烧结工况识别 | 第44-49页 |
| ·本章小结 | 第49-51页 |
| 第4章 系统设计与实现 | 第51-59页 |
| ·系统模块设计 | 第51页 |
| ·系统功能实现 | 第51-54页 |
| ·图像预处理功能实现 | 第51-52页 |
| ·特征约简功能实现 | 第52-53页 |
| ·识别分类功能实现 | 第53-54页 |
| ·系统模块实现 | 第54-56页 |
| ·图像处理实现 | 第54-55页 |
| ·特征约简实现 | 第55页 |
| ·烧结工况识别 | 第55-56页 |
| ·系统设计开发环境 | 第56-57页 |
| ·本章小节 | 第57-59页 |
| 第5章 实验与分析 | 第59-69页 |
| ·图像去噪实验 | 第59-60页 |
| ·特征约简实验 | 第60-66页 |
| ·烧结工况识别实验 | 第66-68页 |
| ·实验数据 | 第66页 |
| ·识别结果与分析 | 第66-68页 |
| ·本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74页 |
