文摘
英文文摘
声明
第1章绪论
1.1模式识别系统的组成
1.2特征抽取的变换方法
1.3核方法的产生和发展
1.4核方法的应用领域
1.5本文工作概述
1.5.1论文的主要创新点
1.5.2论文的结构安排
第2章核方法的理论基础
2.1核方法的基本原理
2.2常用的核方法及其分类
2.3统计学习理论:学习机泛化能力的估计
2.3.1经验风险最小化归纳原则
2.3.2 VC维
2.3.3结构风险—期望风险的一个上界
2.3.4结构风险最小化原则
2.4支持向量机
2.4.1 KKT条件
2.4.2线性支持向量机
2.4.3非线性支持向量机
2.4.4大规模训练集支持向量机算法的实现
2.4.5参数选择
2.5核函数
2.5.1核函数的概念与性质
2.5.2常用的几种核函数
2.6小结
第3章支持向量机的样本约简与核聚类方法
3.1引言
3.2支持向量机样本约简的相关工作
3.2.1主动学习
3.2.2随机采样方法
3.2.3基于聚类的支持向量机
3.2.4 SR-DSA:基于数据结构分析的样本约简
3.3 KBK:核二分k-均值聚类
3.3.1 k-均值聚类
3.3.2二分k-均值聚类
3.3.3核二分k-均值聚类
3.4 KBK-SR:基于核二分k-均值聚类的支持向量机样本约简方法
3.4.1核平方马氏距离
3.4.2算法描述
3.4.3算法复杂性分析
3.5实验
3.5.1人工数据集上的实验
3.5.2基准数据集上的实验
3.6小结
第4章可变光照条件下人脸图像识别的最优核学习
4.1引言
4.2光照问题和朗伯模型
4.2.1光照变化对人脸图像识别的影响
4.2.2朗伯光照模型
4.3 ILLUM核:光照最优核
4.3.1朗伯模型下的相关记号
4.3.2图像相似度和身份相似度
4.3.3通过优化学习身份相似度矩阵
4.3.4核矩阵与插值核函数
4.4基于ILLUM核的LDA算法
4.4.1 LDA的基本思想
4.4.2基于ILLUM核的KDDA算法
4.5实验
4.5.1人脸图像数据库
4.5.2提取鉴别特征的能力
4.5.3识别效果
4.6小结
第5章多重核线性判别分析及其权值优化
5.1引言
5.2 MKDA的多重核构造
5.3 MKDA的权值优化
5.3.1记号和约定
5.3.2 MKDA的对角化操作
5.3.3带约束优化问题及其求解
5.3.4权值优化算法
5.4实验及结果分析
5.4.1 UCI数据集上的分类实验
5.4.2人脸图像识别的核选择实验
5.5小结
第6章总结与展望
6.1本文工作的总结
6.2后续工作的展望
参考文献
攻读博士学位期间发表和已录用的论文
致谢