| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-17页 |
| ·研究背景及意义 | 第7-8页 |
| ·图像质量评价简介 | 第8-13页 |
| ·主观质量评价 | 第8-9页 |
| ·客观质量评价 | 第9-12页 |
| ·图像质量评价方法性能的评价方法 | 第12-13页 |
| ·国内外研究现状 | 第13-15页 |
| ·本文研究内容及创新点 | 第15-16页 |
| ·本文结构安排 | 第16-17页 |
| 第二章 AdaBoost算法与极限学习机综述 | 第17-37页 |
| ·引言 | 第17页 |
| ·AdaBoost算法 | 第17-23页 |
| ·AdaBoost算法产生背景 | 第17-18页 |
| ·Boosting算法简介 | 第18页 |
| ·AdaBoost算法的核心理论和步骤 | 第18-23页 |
| ·机器学习与统计学理论 | 第23-27页 |
| ·机器学习理论 | 第23-25页 |
| ·统计学理论 | 第25-27页 |
| ·最小二乘支持向量机回归 | 第27-30页 |
| ·支持向量机基本思想简介 | 第27页 |
| ·支持向量机回归原理 | 第27-29页 |
| ·最小二乘支持向量机的回归原理 | 第29-30页 |
| ·极限学习机 | 第30-36页 |
| ·单隐层反馈神经网络(SLFNs)简介 | 第30-32页 |
| ·基于梯度的学习算法 | 第32-33页 |
| ·SLFNs的最小范数最小二乘解 | 第33页 |
| ·极限学习机算法原理和步骤 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 第三章 融合最小二乘向量机回归学习思想的改进权重型极限学习机 | 第37-49页 |
| ·引言 | 第37页 |
| ·算法改进思路 | 第37-39页 |
| ·结构风险最小化理论和最小二乘向量机回归学习思想的引入 | 第37-38页 |
| ·权重型极限学习机的选择 | 第38-39页 |
| ·改进的权重型极限学习机 | 第39-41页 |
| ·实验仿真及结果 | 第41-48页 |
| ·实验数据集 | 第41-42页 |
| ·实验仿真 | 第42-48页 |
| ·结果分析 | 第48页 |
| ·本章小结 | 第48-49页 |
| 第四章 结合AdaBoost的改进权重型极限学习机 | 第49-57页 |
| ·引言 | 第49页 |
| ·算法改进方向及步骤 | 第49-50页 |
| ·基本思路 | 第49页 |
| ·算法具体步骤 | 第49-50页 |
| ·实验仿真及结果分析 | 第50-56页 |
| ·实验数据集 | 第51页 |
| ·实验仿真 | 第51-56页 |
| ·结果分析 | 第56页 |
| ·本章小结 | 第56-57页 |
| 第五章 结合AdaBoost的改进权重型极限学习机在图形质量评价中的应用 | 第57-64页 |
| ·引言 | 第57页 |
| ·图像特征值生成方式及算法评价方法简介 | 第57-58页 |
| ·BRISQUE方法产生图像特征值 | 第57-58页 |
| ·斯皮尔曼等级相关系数(SROCC)简介 | 第58页 |
| ·对LIVE IQA数据库进行图像质量评价 | 第58-61页 |
| ·数据库简介 | 第58页 |
| ·图像质量评价实验 | 第58-61页 |
| ·结果分析 | 第61页 |
| ·对TID2008 和CSIQ数据库进行图像质量评价 | 第61-63页 |
| ·数据库简介 | 第61-62页 |
| ·图像质量评价实验 | 第62-63页 |
| ·结果分析 | 第63页 |
| ·本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| ·全文总结 | 第64-65页 |
| ·未来工作展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第71页 |
