| 摘要 | 第4-7页 |
| ABSTRACT | 第7-8页 |
| 符号索引 | 第15-17页 |
| 第1章 绪论 | 第17-25页 |
| 1.1 选题背景及意义 | 第17-18页 |
| 1.2 相关研究综述及现状 | 第18-21页 |
| 1.2.1 图像分类研究综述 | 第18-19页 |
| 1.2.2 机器人目标识别研究综述 | 第19-20页 |
| 1.2.3 RGB-D特征提取研究综述 | 第20-21页 |
| 1.3 研究内容及组织结构 | 第21-25页 |
| 1.3.1 研究内容 | 第21-22页 |
| 1.3.2 组织结构 | 第22-25页 |
| 第2章 理论基础 | 第25-31页 |
| 2.1 人工神经网络 | 第25-28页 |
| 2.1.1 人工神经网络结构 | 第25-26页 |
| 2.1.2 单隐层前向神经网络 | 第26-28页 |
| 2.2 极限学习机 | 第28-29页 |
| 2.2.1 极限学习机理论 | 第28-29页 |
| 2.2.2 极限学习机算法 | 第29页 |
| 2.3 本章小结 | 第29-31页 |
| 第3章 基于局部感受野（ELM-LRF）的极限学习机 | 第31-39页 |
| 3.1 引言 | 第31-34页 |
| 3.1.1 ELM-LRF理论 | 第31-32页 |
| 3.1.2 ELM-LRF算法及结构 | 第32-34页 |
| 3.2 相关算法 | 第34-37页 |
| 3.2.1 卷积神经网络 | 第34-36页 |
| 3.2.2 层级实时记忆 | 第36-37页 |
| 3.3 本章小结 | 第37-39页 |
| 第4章 基于神经网络的多模态融合技术 | 第39-53页 |
| 4.1 引言 | 第39-41页 |
| 4.1.1 多模态学习 | 第39-40页 |
| 4.1.2 同构数据和异构数据 | 第40-41页 |
| 4.2 基于局部感受野极限学习机的多模态融合算法 | 第41-45页 |
| 4.3 实验结果及分析 | 第45-51页 |
| 4.3.1 Washington RGB-D Object Dataset | 第45页 |
| 4.3.2 实验结果 | 第45-48页 |
| 4.3.3 错误分析 | 第48-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 基于神经网络数据特征提取的层次表达模型 | 第53-67页 |
| 5.1 引言 | 第53页 |
| 5.2 粗糙集理论 | 第53-57页 |
| 5.2.1 信息表达系统 | 第53-54页 |
| 5.2.2 相关概念 | 第54-57页 |
| 5.3 基于粗糙集理论的属性约简算法 | 第57-59页 |
| 5.3.1 邻域决策系统 | 第57-58页 |
| 5.3.2 信息熵 | 第58-59页 |
| 5.3.3 基于条件熵的邻域决策系统的属性约简算法 | 第59页 |
| 5.4 基于ELM-LRF数据特征提取的层次表达模型 | 第59-61页 |
| 5.5 实验结果及分析 | 第61-66页 |
| 5.5.1 Penn Haptic Adjective Corpus 2 Dataset | 第61-62页 |
| 5.5.2 数据处理 | 第62-64页 |
| 5.5.3 实验结果 | 第64-66页 |
| 5.6 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 研究总结 | 第67-68页 |
| 6.2 工作展望 | 第68-69页 |
| 第7章 参考文献 | 第69-77页 |
| 致谢 | 第77-79页 |
| 攻读硕士学位期间发表的论文 | 第79页 |
