| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的主要研究内容 | 第12-13页 |
| 1.4 本文的章节安排 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 深度学习概述及PCA人脸特征提取 | 第15-27页 |
| 2.1 深度学习概述 | 第15-22页 |
| 2.1.1 深度学习的发展 | 第15-16页 |
| 2.1.2 深度学习的原理 | 第16-18页 |
| 2.1.3 深度学习的工作方式 | 第18-21页 |
| 2.1.4 深度学习的应用 | 第21-22页 |
| 2.2 基于PCA的人脸特征提取 | 第22-26页 |
| 2.2.1 PCA算法原理 | 第22-24页 |
| 2.2.2 PCA人脸特征提取 | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 3 基于PCA和GA改进的BP神经网络的人脸识别 | 第27-41页 |
| 3.1 遗传算法 | 第27-28页 |
| 3.2 BP神经网络 | 第28-32页 |
| 3.3 基于PCA-GA-BP的人脸识别算法 | 第32-36页 |
| 3.3.1 BP神经网络优化的可行性分析 | 第32页 |
| 3.3.2 网络参数设定 | 第32-34页 |
| 3.3.3 网络训练 | 第34-36页 |
| 3.4 实验结果及分析 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 基于PCA和GA改进的DBNs网络的人脸识别 | 第41-56页 |
| 4.1 受限玻尔兹曼机 | 第41-43页 |
| 4.2 深度信念网络 | 第43-45页 |
| 4.3 基于PCA-GA-DBNs的人脸识别算法 | 第45-52页 |
| 4.3.1 网络参数设定 | 第45-46页 |
| 4.3.2 网络训练及微调 | 第46-49页 |
| 4.3.3 分类器的构造 | 第49-52页 |
| 4.4 实验结果及分析 | 第52-55页 |
| 4.5 本章小结 | 第55-56页 |
| 5 基于PCA和SAGA改进的DBNs网络的人脸识别 | 第56-64页 |
| 5.1 模拟退火算法 | 第56-57页 |
| 5.2 基于PCA-SAGA-DBNs的人脸识别算法 | 第57-60页 |
| 5.2.1 网络参数设定 | 第57-58页 |
| 5.2.2 网络训练及微调 | 第58-60页 |
| 5.3 实验结果及分析 | 第60-61页 |
| 5.4 三种改进算法的比较 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 总结与展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士期间的研究成果 | 第69页 |