基于支持向量机的相关反馈图像检索算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第1章 绪论 | 第7-14页 |
| ·论文研究的背景及意义 | 第7页 |
| ·国内外研究现状 | 第7-10页 |
| ·支持向量机的优势 | 第10页 |
| ·主要存在的问题 | 第10-12页 |
| ·本文主要的研究工作 | 第12-13页 |
| ·论文的内容及章节安排 | 第13-14页 |
| 第2章 基于支持向量机的相关反馈算法研究 | 第14-17页 |
| ·常用相关反馈技术 | 第14页 |
| ·支持向量机 | 第14-15页 |
| ·支持向量机相关反馈算法的研究现状 | 第15页 |
| ·核函数 | 第15页 |
| ·支持向量机存在的不足 | 第15-16页 |
| ·LIBSVM软件包及使用 | 第16页 |
| ·本章小结 | 第16-17页 |
| 第3章 改进分类器算法 | 第17-23页 |
| ·极限学习机 | 第17页 |
| ·核极限学习机 | 第17-20页 |
| ·多尺度小波核函数 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 第4章 检索仿真对比与分析 | 第23-35页 |
| ·图像特征 | 第23-26页 |
| ·相似性测量 | 第26页 |
| ·性能评价标准 | 第26-28页 |
| ·实验分析 | 第28-34页 |
| ·本章小结 | 第34-35页 |
| 第5章 系统设计与分析 | 第35-44页 |
| ·基于SVM相关反馈算法 | 第35-36页 |
| ·主动学习 | 第36页 |
| ·改进相似度测量 | 第36-37页 |
| ·系统设计 | 第37-39页 |
| ·系统测试 | 第39-43页 |
| ·本章小结 | 第43-44页 |
| 第六章 结论与展望 | 第44-46页 |
| ·结论 | 第44-45页 |
| ·展望 | 第45-46页 |
| 致谢 | 第46-47页 |
| 参考文献 | 第47-49页 |
| 作者简介 | 第49页 |
