| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-21页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 国内外的研究现状与发展 | 第18-19页 |
| 1.3 论文的研究内容与关键技术 | 第19-20页 |
| 1.4 本文的结构安排 | 第20-21页 |
| 第二章 多粒度虹膜特征提取方法 | 第21-37页 |
| 2.1 引言 | 第21页 |
| 2.2 虹膜数据库 | 第21-23页 |
| 2.2.1 CASIA虹膜库 | 第21-22页 |
| 2.2.2 其他虹膜库 | 第22-23页 |
| 2.2.3 本文所用虹膜库 | 第23页 |
| 2.3 虹膜图像预处理 | 第23-24页 |
| 2.3.1 预处理过程 | 第23页 |
| 2.3.2 预处理实验图 | 第23-24页 |
| 2.4 图像纹理特征提取方法 | 第24-25页 |
| 2.5 灰度共生矩阵（GLCM） | 第25-31页 |
| 2.5.1 GLCM的定义 | 第25-26页 |
| 2.5.2 GLCM的特点 | 第26页 |
| 2.5.3 GLCM的特征参数 | 第26-30页 |
| 2.5.4 本文所使用的参数特征 | 第30-31页 |
| 2.6 2D-Gabor滤波器 | 第31-34页 |
| 2.6.1 小波变换 | 第31-32页 |
| 2.6.2 Gabor滤波器 | 第32-33页 |
| 2.6.3 2D-Gabor滤波器 | 第33-34页 |
| 2.7 多粒度特征提取算法 | 第34-35页 |
| 2.8 本章小结 | 第35-37页 |
| 第三章 差分生物地理学优化算法与极限学习机 | 第37-63页 |
| 3.1 引言 | 第37页 |
| 3.2 生物地理学优化(BBO)算法 | 第37-47页 |
| 3.2.1 BBO算法的理论基础 | 第37-38页 |
| 3.2.2 BBO算法的基本思想 | 第38-42页 |
| 3.2.3 BBO算法步骤及流程图 | 第42-46页 |
| 3.2.4 BBO算法与其他优化算法的比较 | 第46-47页 |
| 3.3 差分进化(DE)算法 | 第47-50页 |
| 3.3.1 DE算法的基本思想 | 第47-48页 |
| 3.3.2 DE算法的算法步骤及流程图 | 第48-50页 |
| 3.4 差分生物地理学优化(DE_BBO)算法 | 第50-51页 |
| 3.4.1 DE_BBO算法的思想 | 第50页 |
| 3.4.2 DE_BBO算法步骤及流程图 | 第50-51页 |
| 3.5 极限学习机(ELM)的介绍 | 第51-55页 |
| 3.5.1 单隐层前馈神经网络(SLFNs) | 第52-53页 |
| 3.5.2 极限学习机的工作原理 | 第53-55页 |
| 3.6 极限学习机(ELM)与支持向量机(SVM) | 第55-62页 |
| 3.6.1 ELM与SVM之间的区别与联系 | 第55-56页 |
| 3.6.2 ELM与SVM的性能对比实验 | 第56-62页 |
| 3.7 本章小结 | 第62-63页 |
| 第四章 基于DE_BBO_ELM和多粒度特征的虹膜识别算法 | 第63-73页 |
| 4.1 引言 | 第63页 |
| 4.2 DE_BBO训练ELM | 第63-67页 |
| 4.2.1 栖息地的形成 | 第64-65页 |
| 4.2.2 栖息地的适应性指数 | 第65页 |
| 4.2.3 DE_BBO训练ELM的流程图及概念模型 | 第65-67页 |
| 4.3 基于DE_BBO_ELM和多粒度特征的虹膜识别算法 | 第67-69页 |
| 4.4 实验结果及分析 | 第69-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 5.1 工作总结 | 第73-74页 |
| 5.2 未来展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81-83页 |
| 作者简介 | 第83-84页 |
