声明
摘要
1 绪论
1.1 图像分类的目的与意义
1.2 图像分类技术的发展及研究现状
1.3 本论文的内容安排
2 核主成分分析方法研究
2.1 引言
2.2 核主成分分析
2.2.1 核方法简介
2.2.2 常用核函数
2.2.3 核主成分分析的基本原理及推导过程
2.3 分块KPCA研究
2.4 实验仿真
2.5 本章小结
3 极限学习机算法研究
3.1 单隐藏层前馈神经网络
3.1.1 传统基于梯度的SLFN学习
3.2 极限学习机理论
3.2.1 极限学习机算法原理及推导过程
3.3 ELM与支持向量机SVM比较
3.3.1 支持向量机简介
3.3.2 ELM与SVM对比分析
3.4 本章小结
4 基于核函数参数优化的图像特征提取算法
4.1 粒子群算法
4.1.1 粒子群优化算法的基本原理
4.1.2 粒子群算法的推导过程
4.2 标准微粒群算法优化KPCA核参数
4.2.1 粒子群算法优化核参数的实现
4.3 仿真研究
4.3.1 实验数据
4.3.2 实验结果比较
4.4 本章小结
5 优化极限学习机在图像分类识别中的应用研究
5.1 神经网络的优化
5.2 压缩采样理论
5.2.1 单观测向量压缩采样问题
5.2.2 多观测向量压缩采样问题
5.3 稀疏极限学习机
5.3.1 输入权值优化
5.3.2 隐藏层节点优化
5.4 实验仿真
5.5 本章小结
6 总结与展望
6.1 本论文的总结
6.2 研究展望
参考文献
致谢
个人简历、在校期间发表的学术论文和研究成果