| 摘要 | 第5-7页 |
| ABSTRACT(英文摘要) | 第7-8页 |
| 主要符号对照表 | 第12-13页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 增量学习概述 | 第13-18页 |
| 1.1.1 增量学习问题描述 | 第13-14页 |
| 1.1.2 增量学习算法的分类 | 第14-18页 |
| 1.1.2.1 概念漂移 | 第14-15页 |
| 1.1.2.2 记忆空间 | 第15-16页 |
| 1.1.2.3 基本机器学习算法 | 第16-18页 |
| 1.2 高斯零交叉最小最大模块化网络 | 第18-19页 |
| 1.3 增量学习算法在图像识别领域的应用 | 第19-21页 |
| 1.4 论文安排 | 第21-23页 |
| 第二章 高斯零交叉函数最小最大模块化网络 | 第23-34页 |
| 2.1 最小最大模块化网络 | 第23-25页 |
| 2.2 高斯零交叉函数最小最大模块化网络 | 第25-27页 |
| 2.3 高斯零交叉函数最小最大模块化网络的特点 | 第27-30页 |
| 2.3.1 高度的模块化结构 | 第27页 |
| 2.3.2 增量学习能力 | 第27-29页 |
| 2.3.3 学习的收敛性 | 第29-30页 |
| 2.3.4 "不知道"输出 | 第30页 |
| 2.4 与其它分类器的关系 | 第30-32页 |
| 2.4.1 与最近邻分类器的关系 | 第31-32页 |
| 2.4.2 与径向基函数网络的关系 | 第32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 高斯零交叉函数最小最大模块化网络的结构修剪 | 第34-43页 |
| 3.1 M~3-GZC网络的接收域 | 第34-35页 |
| 3.2 结构冗余分析 | 第35-36页 |
| 3.3 结构修剪算法 | 第36-38页 |
| 3.4 实验与分析 | 第38-42页 |
| 3.4.1 双螺旋问题 | 第39页 |
| 3.4.2 UCI数据集 | 第39-40页 |
| 3.4.3 工业图像故障检测 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 高斯零交叉函数最小最大模块化网络的样本修剪 | 第43-50页 |
| 4.1 高门限增量检测算法 | 第43-45页 |
| 4.1.1 门限与接收域的关系 | 第43页 |
| 4.1.2 正向的高门限增量检测算法 | 第43-44页 |
| 4.1.3 反向的高门限增量检测算法 | 第44-45页 |
| 4.1.4 算法复杂性分析 | 第45页 |
| 4.2 实验与分析 | 第45-49页 |
| 4.2.1 棋盘问题 | 第45-47页 |
| 4.2.2 UCI数据集 | 第47页 |
| 4.2.3 工业图像检测 | 第47-48页 |
| 4.2.4 合并结构修剪与样本修剪 | 第48-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第五章 基于高斯零交叉函数最小最大模块网络的增量聚类 | 第50-63页 |
| 5.1 聚类算法概述 | 第50-51页 |
| 5.2 M~3-GZC网络的接收域 | 第51-52页 |
| 5.3 基于M~3-GZC网络的聚类算法 | 第52-56页 |
| 5.3.1 算法描述 | 第52-55页 |
| 5.3.2 后处理 | 第55页 |
| 5.3.3 复杂性分析 | 第55-56页 |
| 5.3.4 与高门限增量检测算法的关系 | 第56页 |
| 5.4 实验与分析 | 第56-61页 |
| 5.4.1 棋盘问题 | 第57-59页 |
| 5.4.2 UCI数据集 | 第59-60页 |
| 5.4.3 工业图像检测 | 第60-61页 |
| 5.5 本章小结 | 第61-63页 |
| 第六章 多尺度边缘增强和自适应图像欧氏距离 | 第63-85页 |
| 6.1 多尺度边缘增强 | 第63-65页 |
| 6.2 图像欧氏距离 | 第65-68页 |
| 6.2.1 定义 | 第65-66页 |
| 6.2.2 标准化变换 | 第66-67页 |
| 6.2.3 与流形距离的联系 | 第67-68页 |
| 6.3 自适应图像欧氏距离 | 第68-72页 |
| 6.3.1 AIMED-D | 第68-71页 |
| 6.3.2 ATMED-D | 第71-72页 |
| 6.4 实验与分析 | 第72-78页 |
| 6.4.1 多尺度边缘增强实验 | 第72-73页 |
| 6.4.2 自适应图像欧氏距离实验 | 第73-78页 |
| 6.4.2.1 性别识别 | 第75-77页 |
| 6.4.2.2 人脸识别 | 第77-78页 |
| 6.4.2.3 手写体数字识别 | 第78页 |
| 6.5 本章小结 | 第78-85页 |
| 第七章 层式支持向量机及其在多角度性别识别中的应用 | 第85-93页 |
| 7.1 性别识别概述 | 第85页 |
| 7.2 多角度性别识别流程 | 第85-86页 |
| 7.3 层式支持向量机 | 第86-88页 |
| 7.3.1 算法描述 | 第86-87页 |
| 7.3.2 复杂性分析 | 第87-88页 |
| 7.4 实验与分析 | 第88-92页 |
| 7.4.1 基本的LSVM实验 | 第88-90页 |
| 7.4.2 重叠和镜像数据的LSVM实验 | 第90-92页 |
| 7.5 本章小结 | 第92-93页 |
| 第八章 基于样本空间和概念空间的增量学习 | 第93-107页 |
| 8.1 算法描述 | 第93-94页 |
| 8.1.1 训练过程 | 第93页 |
| 8.1.2 测试过程 | 第93-94页 |
| 8.2 实验与分析 | 第94-102页 |
| 8.2.1 UCI数据库和同心圆环问题 | 第96-100页 |
| 8.2.2 MNIST手写体数字识别 | 第100-102页 |
| 8.3 本章小结 | 第102-107页 |
| 结束语 | 第107-110页 |
| 参考文献 | 第110-122页 |
| 致谢 | 第122-123页 |
| 个人简历、在学期间的研究成果及发表的论文 | 第123-124页 |
