一、从向量空间到欧氏空间看“唯一性”（论文文献综述）
罗宇恒[1]（2020）在《基于机器学习的人脸图像认证保护方法研究》文中进行了进一步梳理近年来,深度神经网络在许多领域已经得到了广泛的发展和应用,其在人脸识别领域已经与人类视觉的识别精度相当。但是人工智能应用在给公众带来便利的同时,也面临着泄露个人信息的风险。人工智能应用可以采集人脸图像、指纹、语音等个人敏感信息,而公众通常未对信息进行任何形式的保护,一旦发生信息泄露将对公民的权益造成很大影响。事实上,人脸敏感数据的泄露问题尤为严重,迫切需要一种有效的隐私保护方法来对个人的人脸图像进行合适的保护。目前,基于人脸的隐私保护技术已经得到了广泛的关注,人脸隐私保护技术的研究目标主要有两个方面:提供人脸匿名保护和数据可用性保护。一种直观的人脸隐私保护方法是人脸去识别化技术,通过对人脸敏感区域使用遮盖、模糊、扭曲、失真等图像处理方法来达到隐私保护目标。尽管这些方法比较容易实现,但是通常匿名化程度不充分,不容易控制图像的失真程度,难以在深度神经网络下达到隐私保护的目的;而且没有明确地保留情感、表情、种族等多样性属性,无法在接下来进行非身份属性的数据分析任务。为提高人脸隐私图像在深度神经网络下的匿名化程度,本文提出了基于对抗样本的人脸隐私图像生成算法priFGEN。方法在公式中综合考虑图像失真度和身份映射距离损失,将隐私保护目标转化成一个小型人脸识别模型miniFNET的对抗样本生成问题,并使用自适应的优化算法生成对于深度神经网络具有匿名性的隐私图像。然后在MobileNet、VGG16、FaceNet等多种识别模型下进行对比实验,测试结果显示方法对于多种不同的未知黑盒模型具有良好的匿名性和转移性,且生成的隐私图像具有更低的图像失真度,因此方法在考虑图像失真度时对深度神经网络具有更高的隐私保护水平。然后,为保留人脸图像中的多样性信息,本文在前面研究的基础上进一步扩展,提出了适用情感分类的多样性隐私图像生成算法divFGEN。方法对于隐私保护目标使用前述自适应的生成算法,同时在公式中基于情感分类模型miniFEXP额外引入参数因子来控制情感分类损失。实验结果显示方法对于人脸情感的多样性有良好的保留能力,且对深度神经网络的隐私保护性能仍然很高。因此本文隐私保护方法对深度神经网络具有较高的隐私保护水平,且进一步保留了人脸图像中的多样性信息,人脸隐私图像仍然适用于情感、表情等分析任务中。
李冬双[2]（2019）在《基于张量的非规则地理时空场数据特征分析方法》文中提出对地观测体系以及全球变化模拟等领域的快速发展,积累了海量的时空场数据,并呈现出多维多属性以及结构非规则等特点,对非规则时空场数据进行有效的建模与分析是地理学研究的热点。但与之相应的时空数据表达与分析方法仍多基于传统的矩阵理论,使得其较难支撑空间-时间的多维属性结构,而部分基于多维规则立方体模型的张量分析方法仍难以有效兼顾时空数据的非规则特性。从非规则时空场数据的代数化表达入手,引入非规则张量的多维表达结构和多维融合分析方法,从底层理论基础上对现有时空场表达与分析方法进行创新,设计面向不同类型的非规则时空场数据的结构提取与特征分析方法,是突破现有时空分析方法的维度拓展困难问题,提升现有GIS时空分析能力的有效途径。论文聚焦于以稀疏、维度非对称、结构异质为代表的典型非规则时空场数据,从非规则时空场数据的张量表达、非规则特征测度方法构建和特征分析的视角开展多维非规则时空场数据的特征分析方法体系的设计与构建工作。研究了基于张量的时空场数据的表达模型,梳理了张量测度与地理数据特征表征的关联关系,对基于张量的非规则时空场数据的测度方法构建进行了探索。在解析传统张量分解模型的基础上,系统研究了非规则张量的多模式分解策略与计算方法,建立了非规则时空场数据的统一张量特征解析与探索性数据分析方法。在此基础上,构建了非规则时空场数据特征分析系统,利用气象再分析数据进行案例验证。论文主要研究内容与取得的成果如下:（1）利用张量代数的多维表达特性,构造了非规则时空场数据的张量表达组织方法,拓展现有的张量运算算子,构建了诸如维度拆分、稀疏标定和数据划分等适用于非规则张量分析与计算的算子集。基于张量结构的维度拓展特性和面向维度的计算特性,分别设计了基于多维稀疏张量结构、张量特征系数以及层次维度树结构的非规则张量表达结构,并分析了其在数据分析和数据存储方面的潜在应用,实现了可有效支撑数据分析的非规则时空场数据的统一张量表达。（2）基于非规则时空场数据的张量表达,概括总结了张量空间的基础性测度,构造了多维数据大小、秩序程度以及线性特征方向、特征大小等的算子描述集合。在此基础上,构造了非规则时空场数的特征测度方法。提出了基础测度-数据操作-非规则测度-数据操作与分析的分析模式,研究了张量分解的非规则拓展的理论模型,构建了数据索引与检索、维度分割和数据分块等的数据操作算子,实现了基于非规则测度的分析框架构建。（3）利用张量分解对于多维特征的揭示特性,面向三类典型的非规则时空场数据,提出了带约束的张量、张量子空间和张量块结构的非规则张量的多模式分析策略。综合利用三种典型的张量分解,构建了稀疏时空场数据的多尺度结构分析方法,维度不对称数据的多视角综合分析方法,以及结构异质数据的局部分析方法。设计了与缺失数据分布无关的稀疏张量求解算法,构造了基于信息熵分布的维度非对称数据的特征聚合算子,提出了基于异质性测度的局部分析法。设计了诸如求解精度和运行时间等多约束条件下的非规则张量分析模型的参数选取规则与求解策略,实现了基于张量的多维非规则时空场数据的统一分析。（4）设计了“非规则时空场数据的特征分析系统”,系统构建了面向稀疏、维度非对称和结构异质等非规则数据的统一接口与集成处理,研究了数据管理、数据分析和数据可视化等的主要功能模块。设计了非规则时空场数据的数据结构,构建了诸如稀疏张量分解、层次张量分解和重构等核心算法,并且对核心张量分解算法进行了并行改造。面向特征分析的地理应用,结合实际地理气象再分析数据,验证了系统对于稀疏数据的多尺度特征提取、多分辨率的稀疏插补、高维时空场场数据压缩和多视角综合的微弱信号提取等方面的分析能力。本论文研究显示:基于张量的非规则时空场数据的特征分析方法不仅可以应对多维多变量的时空场数据分析需求问题,更能有效支撑诸如稀疏分布、维度非对称和结构异质性等的非规则时空场数据的特征分析和数据管理工作。利用张量的多维结构进行非规时空场数据的代数化表达,可有效支撑非规则时空场数据特征测度方法的构建。在张量分解对于多维融合特征的揭示以及张量算子的维度拓展的支撑下,通过构建参数简洁、物理意义直观且面向非规则时空场数据的多模式张量分解模型和求解算法,实现非规则时空场数据的组织表达和特征分析与应用的一体化张量建模。
吴应江[3]（2017）在《基于多核学习的疑似AD脑MRI影像分类算法》文中进行了进一步梳理老年痴呆病（Senile Dementia）是由多种因素引起的神经退变性疾病。老年痴呆病的主要临床表现为:由神经元的退化和损害所引起的记忆力和其它高级认知功能的下降,抽象思维能力的衰退和日常生活能力的丧失等各种行为障碍和精神症状。阿尔茨海默病（Alzheimer Disease,AD）是最为常见的一种老年痴呆病,给患者家庭和整个社会带来了沉重的压力和严重的危害,因而对阿尔茨海默病的预防、诊断和治疗显得极为迫切和日益重要。磁共振成像（Magnetic Resonance Imaging,MRI）图像分析是图像处理理论及其应用中最为活跃的方向之一,也是阿尔茨海默病临床诊断的重要手段。针对目前疑似AD脑MRI影像分类算法存在的诸多问题,本文从向量多核学习和张量多核学习两个方面,对基于多核学习的疑似AD脑MRI影像分类算法进行了深入研究。同时,本文围绕着同一空间上核函数操作的基本理论和前提条件,对如何将空间和解剖核函数有效地组合在一起,以及如何降低空间核函数的计算复杂度进行了深入分析,并且将基于上述理论构造的包含空间和解剖结构信息的核函数应用到疑似AD脑MRI影像数据的分类过程中。论文工作的主要贡献如下:首先,研究了现有的基于向量单核学习的疑似AD脑MRI影像分类算法,并对经典的Cuingnet框架的优缺点进行了分析。Cuingnet首次将空间正则项和解剖正则项引入到支持向量机（Support Vector Machine,SVM）模型,对神经影像数据的处理给出了一个通用框架,并且利用该框架进行疑似AD脑MRI影像数据的分类,取得良好的分类准确率。但是,Cuingnet框架存在着两个问题。其一,对空间和解剖两个正则项,为了转换为经典的基于单个核函数的SVM模型从而进行求解,Cuingnet不得不做了一个不太合理的假设,即空间正则参数值等于解剖正则参数值。其二,对张量数据向量化,将破坏3D离散的脑MRI影像数据的自然结构并且产生高维向量。在空间核函数的计算过程中,高维向量又将迫使Cuingnet框架不得不采用一个超大的邻接矩阵来描述各个体素之间的空间邻接关系,从而导致该框架的空间复杂度和时间复杂度都非常高。然后,针对Cuingnet框架的正则参数值未优化的缺点,提出一种基于序贯最小优化-多核学习（Sequential Minimal Optimization-Multiple Kernel Learning,SMO-MKL）算法的Spatial-Anatomical-MKL方法。我们首先证明Cuingnet框架中的空间和解剖核函数能够满足Kloft模型和SMO-MKL算法的前提条件,从而可以对空间和解剖核函数进行线性组合并对这些核函数分配合理的权重系数。所以,Spatial-Anatomical-MKL方法有效地解决了Cuingnet框架的正则参数值未优化的问题,并将基于向量单核学习的疑似AD脑MRI影像分类,有效地推广到基于向量多核学习的疑似AD脑MRI影像分类。然而,由于采用一个超大的邻接矩阵来保持各个体素之间的空间邻接关系,Spatial-Anatomical-MKL方法同样存在着空间核函数计算复杂度高的缺点。进一步,针对Cuingnet框架的空间核函数计算复杂度高的缺点,提出了一种基于支持张量机（Support Tensor Machine,STM）的Spatial-Prior-in-STM方法。我们首先对经典秩-1支持张量机的交替迭代算法进行了更为详细的分析和描述,并且指出了原算法存在的不足之处。然后把交替迭代算法划分为两个阶段,以便将CP分解（CP decomposition）以及MRI影像数据中的所有正面切片的空间结构信息,引入到经典的秩-1支持张量机模型中。由于Spatial-Prior-in-STM方法利用基于正面切片的规模较小的邻接矩阵来保留张量数据的空间结构信息,因而大大减少了空间和时间上的开销。所以,Spatial-Prior-in-STM方法较好地克服了Cuingnet框架的空间核函数计算复杂度高的缺点,并且将基于向量单核学习的疑似AD脑MRI影像分类,有效地推广到基于张量单核学习的疑似AD脑MRI影像分类。然而,由于算法自身的限制,Spatial-Prior-in-STM方法无法同时引入张量数据的水平切片和侧切片的空间结构信息,更无法同时引入各种切片的解剖结构信息。此外,为克服Spatial-Anatomical-MKL方法和Spatial-Prior-in-STM方法存在的缺点,并且针对Cuingnet框架存在的两个问题提出完整的解决方案,构造了两种新的张量核函数:Zero-Extended-Kernel和Frontal-Horizontal-Kernel。我们首先证明,基于各种切片的空间和解剖张量核函数均能够满足Kloft模型和SMO-MKL算法的前提条件,因而可以进行线性组合并且分配合理的权重系数。其次,两个张量核函数均是利用基于各种切片的规模较小的邻接矩阵来保留张量数据的空间和解剖结构信息,因而有效解决了Cuingnet框架的空间核函数计算复杂度高的问题。理论分析与实验结果均表明,上述两个张量核函数不但能够大幅度地提升计算速度,并且由于引入了张量数据所有切片的空间和解剖结构信息从而保持较高的分类准确率。因此,Zero-Extended-Kernel和Frontal-Horizontal-Kernel张量核函数将基于向量多核学习和基于张量单核学习的疑似AD脑MRI影像分类,有效地推广到基于张量多核学习的疑似AD脑MRI影像分类。
朱琳[4]（2017）在《基于发生教学法的线性空间概念的教学研究》文中研究表明线性代数是大学本科最基础性的一门重要课程,在生物化学、计算机技术、经济学、医学等其它领域有着广泛的应用。与其它课程不同,线性代数中充斥着大量的定义、定理、证明,学生往往还没有充分理解好一个概念,新的概念和定义、定理纷至沓来。然而,很多学生表示,即使不理解概念,也能套用运算和证明的框架来进行解题。因此,理解学生在概念学习中遭遇的困难,并以此改进教学策略,在线性代数的教学研究中显得尤为重要。线性代数的主要研究对象是线性空间及其上的线性变换,可以说,线性空间是线性代数中的核心内容。在通常的教学中,线性空间的概念以形式化的抽象语言呈现,为学生的学习带来很大困难。本研究重点关注线性空间概念的教学,试图探究学生对线性空间概念的理解,揭示学生学习时的困难,并以此来指导教学策略的设计,旨在不同情境下都能让学生建构起对线性空间及其相关概念的理解。本研究的研究问题为:（1）学生是如何理解线性空间概念的?学生在理解线性空间概念的过程中,会遭遇哪些困难?（2）发生教学法指导下的线性空间概念教学是怎样的?是否能有效促进学生对线性空间概念的理解?本研究首先在文献研究、专家访谈和学生问卷调查的基础上,构建了初始的研究模型,包括分析学生概念理解的发生演变模型和概念认知模型,以及发生教学法指导下的教学设计模型。然后,研究者对沪上一所教育部直属985高校的大学生进行了两个学期的教学实践,按照分析与准备、设计与实施、结果与评价、反思与修正四个部分展开,通过问卷调查、质性访谈、课堂观察等方法,对初始模型进行验证和修正,形成研究成果。本研究的结论为:（1）绝大部分学生属于概念意象和概念定义的弱关联型;仅有少部分学生能够达到"对象"和"图式"的心理认知阶段;学生对概念的理解容易受到三维空间的限制、容易受到旧有认知的干扰。（2）学生在学习抽象的线性空间概念时,容易遭遇包括抽象的困难、直觉的迷失、对术语理解的困难和概念之间缺乏关联的困难。（3）发生教学法下指导下的教学,可以基于历史发生分析、知识逻辑分析、心理认知分析、社会文化分析四种视角分析的基础,按照必要性、直观性、关联性、应用性、系统性五个原则进行设计,依照why-what-how to learn-how to use（简称WWHH）四个步骤进行教学。（4）发生教学法的教学实践下,可以丰富学生的概念意象,使得学优生完成从程序到对象、图式阶段的提升,实现从概念定义和概念意象的弱关联到灵活转换型的转变:中等生实现从行动阶段到程序阶段的转变;学差生实现从概念定义和概念意象的分离型向弱关联型的提升,有效促进了学生对线性空间概念的理解。本研究的价值在于,首先,关注具体的数学概念学习过程,利用APOS的发生演变理论、概念意象和概念定义、概念图理论,在实证的基础上多方面、多角度地对学生概念的理解水平、对概念理解的发展变化予以描述和分析。其二,在发生教学法的理论指导下,构建了适合于本土国情、适合于大学生认知特点、适合线性代数教学的教学设计实施模型。不仅可以研究学生的学,还可以指导教师的教,具有理论意义和实践意义。
姚毓凯[5]（2015）在《支持向量机关键技术及其在人体活动识别中的应用研究》文中认为支持向量机本质上是一个线性不等式约束下的凸二次优化问题,它通过计算最佳分割超平面实现对两类数据的分类,所得的分类超平面到其两边离它最近的数据点的距离相等。对于非线性可分数据,支持向量机往往通过核函数的映射,在新的Hilbert特征空间中搜索最优超平面。支持向量机完全由支持向量决定,支持向量是处于不同类数据边缘区域的包含信息量最大的数据点。支持向量机存在的主要问题在于：涉及到核矩阵内积运算、核函数及支持向量机相关参数的寻优运算等,经典支持向量机训练和预测的速度比较慢；传统的支持向量机在对类不均衡数据分类时,由于少数类数据的缺失,尤其是少数类数据边缘区域数据点的缺乏,将导致决策超平面向少数类一侧偏移,严重影响了其对少数类数据的泛化能力；支持向量机是两类数据的分类算法,不适宜直接处理多类数据的分类问题。支持向量机在面对规模较大的多类类不均衡数据（Multi-Class Class Imbalanced Data）时,前面述及的问题尤为突出。针对以上问题,本文对支持向量机基于网格搜索的参数寻优机制进行了研究；通过融合数据预处理、数据特征抽取等方法对基于系综学习的支持向量机进行了研究；在支持向量机不均衡数据分类等方面做了一些工作；研究了基于多线程并行化的不均衡数据多分类支持向量机系综学习方法,并在人体活动识别领域进行了应用研究。本文的主要研究成果如下：（1）提出了一种基于多级网格搜索的支持向量机算法——PMSVM。该算法首先用较粗粒度的步长在一个较大的空间内进行参数搜索,然后根据得到的中间结果,自适应调整网格搜索的边界及步长值,在缩减了的搜索空间内用较细粒度的步长进行新的迭代,重复这一过程,直到得到最佳的参数值。网格搜索属于典型的贪婪算法,通过逐步缩减搜索空间及调整步长,能够极大地提高网格搜索的效率。本文在利用系统归一化及主成分分析进行数据预处理的基础上,融合了所提出的多级网格搜索技术,实现了支持向量机分类算法,并通过实验,在多个分层抽样数据集及随机抽样数据集上验证了PMSVM这一支持向量机分类算法的准确性与高效性。（2）提出了一种基于系综学习的支持向量机分类算法——PEnSVM。首先对原始数据集按列进行归一化,接着在归一化数据集上进行holdout抽样,在得到的训练集上以一个给定的主成分阈值选择相应比例的主成分作为真正的训练集,并在该训练集上构建基支持向量机分类器。自动调整主成分阈值,重复holdout抽样及其后的PCA及基支持向量机分类器的建模过程,直到得到所需数量的基分类器（Base Classifier）为止。传统的系综学习方法都是将多个同质的基分类器集成以得到总的系综学习模型,本文通过将构建在不同阂值主成分基础上的差异化的基支持向量机分类器用Bagging方法进行集成,并运用多数投票策略实现了最终的系综学习支持向量机算法。通过实验,在5个Benchmark数据集上测试了PEnSVM算法的性能,证明了算法的有效性与鲁棒性。（3）提出了一种在KNN图与最小生成树基础上进行SMOTE过抽样的支持向量机不均衡数据分类算法——KMSSVM。该方法首先在不均衡数据集的作为少数类的正类数据上构建KNN图,然后生成该KNN图的最小生成树（MST）。进一步,在所得的最小生成树的叶节点上,通过SMOTE算法插入满足要求的新的合成样本。利用KNN图能够清除数据集中的部分离群点。传统的SMOTE算法通过随机选择正类样本以插入新数据点。本文通过在KNN图上构建MST,所选择出的MST的叶节点应该是该类数据边缘区域的数据点,在这些点与其同类的K近邻间插值,得到的均衡化数据集更有利于训练得到对少数类数据泛化能力更高的支持向量机。通过在不均衡程度不一的3个UCI Benchmark数据集上的实验,证明了KMSSVM是个有效的不均衡数据分类算法。（4）提出了一种基于多分类的系综学习支持向量机不均衡数据分类算法——BEnSVM。该方法通过分层自助抽样,将原始数据集划分成很多微子集,然后在每个微子集上用One-Versus-One方法构建基多分类支持向量机,BEnSVM就是为数众多的基多分类支持向量机分类器按多数投票原则集成后实现的,该算法适合于大规模多类不均衡数据的分类。初始的多分类基支持向量机建立在备个微子集上,使得支持向量机对偶形式的计算复杂度以几个数量级的方式降低,而且用于构建多分类支持向量机的弱二分类支持向量机分类器是以多线程并行的方式编程实现的,进一步降低了计算复杂度。通过在一个真实的包含有165,633条数据样本的,拥有5个不同类标签的不均衡人体活动识别数据集上的实验,证明了BEnSVM是一个计算复杂度较低、分类精度较高的多分类不均衡数据支持向量机分类算法。
方少红[6]（2011）在《基于关键点的NAM图像特征表示及其相似性分类研究》文中指出随着数字图像采集和传输设备的广泛使用,图像数据量激增,图像数据的自动分析理解成为海量媒体内容管理的关键问题。针对图像比较中的图像对象的自动分类识别任务,基于NAM（Non-symmetry and Anti-packing Model）方法和SIFT（Scale Invariant Feature Transform）方法,提出了一种新的灰度图像特征提取、表示和描述方法SNAM,并研究了SNAM的相似性分类检索性能,提高了图像特征提取和表示的效率和效果,实验表明能达到较为快速和准确的自动图像分类目的。首先,快速提取图像模式中的大对象区域。视觉心理的研究成果表明在视觉初期对景物的认识由大对象开始,大对象在图像中可理解为较大面积的灰度平滑区域。为有效提取图像模式中的大对象,结合SIFT方法的关键点作为NAM图像子模式表示的起始点,采用区域生长的方式提取图像中较大面积的灰度平滑区域矩形块,从而提出了SNAM图像特征提取和表示方法。SNAM将图像模式的大对象区域表示为矩形子模式队列,提高了NAM方法对图像特征表示的一致性,具有尺度与仿射变形的不变性,在SIFT算法的基础上所增加的计算量仅为O（M）,M为图像规模。第二,提高图像子模式的特征表示效率。SIFT算法对每个关键点的灰度梯度特征采用128维的单变量向量表示,数据量较大且对同一种事物的不同对象难以聚类识别。改进SIFT算法的特征表示,将SNAM所提取的矩形子模式表示为2个16维的单变量向量,即反映子模式面积分布和布局分布特征的面积向量和布局向量,以及一个16维的双变量向量,即反映子模式位置特征的位置向量。大大降低了特征向量的维数,并且较SIFT描述值能更好地表示图像模式中图像对象的高层特征,如大对象区域的位置、布局和分布特征,实验表明能够有效地表现同一事物的不同对象在图像模式中的一致性和不同种类事物在图像模式中的区分性。SNAM图像特征描述3种向量的计算复杂度分别为O（n）、O（n）和O（n2）,n为SNAM矩形子模式个数。第三,提高相似性检索的准确度。通过研究面积特征、布局特征和位置特征的相似性距离计算和相似性检索性能,采用顺序距离、名称距离和欧氏距离对3种向量的相似性距离计算和相似性检索研究和实验表明能达到较好的准确率和召回率,在结果集较小的情况下准确度较高。相似性计算的复杂度小于O（b2）,b为向量的维度,并且由于SNAM图像特征向量数据规模较小,其相似性计算的空间复杂度较低,适合快速图像检索；最后,优化了SNAM面积向量和布局向量的SVM（Support Vector Machine）分类核函数参数。SVM核函数参数优化的实验表明在普通的点积、多项式和高斯核下,用60%的数据用于学习,40%的数据用于分类,其两类分类正确率能稳定达到75%左右；其用于学习的数据样本量较小,且多项式核函数参数在5阶以下,高斯核函数参数σ值在0.1以下；其多项式阶次较低,高斯核的非线性程度较低；进一步说明SNAM图像特征描述具有较好的快速分类识别意义。总之,依据视觉心理原理,结合NAM方法和SIFT方法,提出了一种新的图像区域特征提取和表示方法,定义了3种数据规模较小的图像特征描述向量,提高了图像特征的提取效率和图像高层特征的表示效率,其相似性检索性能和SVM分类性能适合较为快速和准确的图像检索和图像分类识别。
雷迎科[7]（2011）在《流形学习算法及其应用研究》文中研究表明流形学习方法作为一类新兴的非线性维数约简方法,主要目标是获取高维观测数据的低维紧致表示,探索事物的内在规律和本征结构,已经成为数据挖掘、模式识别和机器学习等领域的研究热点。流形学习方法的非线性本质、几何直观性和计算可行性,使得它在许多标准的toy数据集和实际数据集上都取得了令人满意的结果,然而它们本身还存在着一些普遍性的问题,比如泛化学习问题、监督学习问题和大规模流形学习问题等。因此,本文从流形学习方法存在的问题出发,在算法设计和应用（图像数据与蛋白质相互作用数据）等方面展开了一系列研究工作。首先对流形学习的典型方法做了详细对比分析,然后针对流形的泛化学习和监督学习、表征流形的局部几何结构、构造全局的正则化线性回归模型、大规模数据的流形学习等几个方面进行了重点研究,提出了三种有效的流形学习算法,并和相关研究成果进行了理论与实验上的比较,从而验证了我们所提算法的有效性。全文的主要工作概括如下:（1）在深入研究局部样条嵌入算法（LSE）的基础上,引入明确的线性映射关系,构建平移缩放模型和正交化特征子空间,提出了一种正交局部样条判别投影算法（O-LSDP）。有效解决了原始LSE算法存在的两个主要问题:样本外点学习问题和无监督模式学习问题,从而使该算法能够应用于模式分类问题并显着改善了算法的分类识别能力。在标准人脸数据库上进行实验比较分析,验证了该算法的有效性与可行性。（2）在兼容映射的概念框架下,提出了一种局部多尺度回归嵌入算法（LMDSRE）。LMDSRE算法首先利用局部多维尺度分析（LMDS）构建每个样本点邻域的局部坐标来表示低维流形的局部几何结构,然后拟合正则化的线性回归模型并排列所有的局部等距坐标,从而构建全局唯一的低维坐标。该算法作为一种新的流形学习方法具有局部等距的特点,能够应用于非线性维数约简和数据可视化分析,在六个标准人工数据集和三个实际数据集上的实验结果验证了该方法的有效性。（3）针对ISOMAP算法计算复杂度高的问题,提出了一种快速等距特征映射算法（Fast-ISOMAP）。Fast-ISOMAP算法首先利用最小子集覆盖策略（MSC）从数据集中选择p个Landmark点（ p n）,从而在构造最短路径距离矩阵时,用p×n距离矩阵D p×n代替了原始的n×n距离矩阵Dn×n,然后运用Landmark MDS算法将所有样本嵌入到低维特征空间。与原始的ISOMAP算法相比,Fast-ISOMAP算法在不显着改变原始ISOMAP算法嵌入性能的条件下,大大提高了算法的计算效率,该算法适合应用于大规模流形学习问题。在标准数据集上的实验结果验证了该算法的有效性。（4）提出了一种鲁棒的基于快速流形嵌入的蛋白质相互作用数据可信度评估与预测新方法。首先通过对蛋白质相互作用数据进行低维流形建模,然后采用快速等距特征映射流形学习方法将蛋白质相互作用数据映射到低维度量空间,从而把蛋白质相互作用数据可信度评估与预测的生物问题转化为低维嵌入空间中数据点之间相似性度量的数学问题,最后根据蛋白质对在低维嵌入空间的相似性度量来构造加权CD-Dist可靠性指数用于评估与预测可信度。在三个由不同高通量实验技术产生的不同规模的酵母蛋白质相互作用数据集上的实验结果表明,基于快速流形嵌入的方法所获得的高可靠性相互作用数据具有更高的功能一致性与细胞组分一致性。据我们所知,本章所提出的方法首次利用了流形学习理论来解决蛋白质相互作用数据可信度的评估与预测问题。该方法有效克服了现有方法需要额外先验信息和对蛋白质相互作用网络稀疏程度敏感的问题,为检测蛋白质相互作用网络中的假阳性与假阴性“噪声”问题提供了一条新的解决途径。
付晓峰[8]（2008）在《基于二元模式的人脸识别与表情识别研究》文中提出人们的工作和生活越来越多地和计算机联系在一起,使得人类与计算机之间的关系越来越紧密。另外,各种各样的机器人也相继问世并且会越来越多地出现在我们的周围。人们渴望自然和谐的人机交互——计算机首先要识别主人的身份,然后判别主人的表情以做出相应的动作。因此,本文以快速准确的人机交互为目标,旨在研究如何提高基于人脸的身份识别与表情识别的识别率及识别速度。论文的主要研究工作与成果包括以下几个方面的内容:1)提出一种基于局部二元模式直方图映射（LBPHP）的快速人脸识别方法。此方法将局部二元模式直方图映射到保局投影（LPP）空间获得低维的LBPHP特征,在此低维特征空间判别新样本大大提高了识别速度,由于LPP强大的鉴别特性,此方法的识别率也很高,相比于传统的基于局部二元模式（LBP）的人脸识别方法,此方法不仅识别速度更快、识别率更高,尤其在大型人脸库上凸显其优势,适于此类人脸库上的实际应用如身份识别等。2)在表情特征提取方面,传统LBP算子存在不足:产生的直方图维数过长、鉴别力不高、对噪声反应敏感.针对此问题,提出中心化二元模式（CBP）算子。CBP算子相对于LBP算子具有三大优势:（1）CBP算子通过比较“近邻点对”之间的差异捕捉到梯度信息,不仅增强其鉴别能力而且大大降低特征维数。（2）CBP算子充分考虑中心像素点的作用并给它分配最高权重,此举大大提高其鉴别能力。（3）从图像中提取到的CBP特征在有噪声情形下更加鲁棒、更加稳定。此外,为提高识别结果,首次将中心最近邻分类器引入表情识别中,它的分类效能优于目前常用的最近邻分类器。3)为进一步提高人脸表情识别率,对中心化二元模式（CBP）做拓展:（1）将梯度信息融入CBP;（2）提出多尺度CBP（简称MCBP）;（3）为增强算法对表情图像中细小变形的鲁棒性,首次引入图像欧式距离（IMED）并将其嵌入MCBP方法.嵌有IMED的MCBP（简称MCBP-IMED）方法提取出的特征具有优点:维数大大降低、很强的鉴别能力、对噪声不敏感、不易受细小变形的干扰。4)提出结合了CBP与Gabor变换的中心化Gabor（简称CGBP）直方图,并将梯度信息融入其中。为更好地反映表情流形的内在结构,提出融合了局部方法和有监督方法思想的有监督Laplacianfaces（简称SLAP）。另外,注意到人脸面部表情与人们情感表达的密切关系,提出一种融合了连续性与离散性的表情空间模型。基于此模型,将SLAP应用于融入梯度信息的CGBP直方图进行表情识别及表情成分分析。
李波[9]（2008）在《基于流形学习的特征提取方法及其应用研究》文中进行了进一步梳理流形学习方法已经成为当前机器学习领域研究的一个热点。基于局部线性和全局非线性的假设,流形学习方法能有效地探测非线性数据的内部结构,并且具有保留这些结构的特点,因此流形学习方法是一种有效的数据可视化方法。然而,流形学习方法作为一种非线性特征提取方法,当面临数据分类的任务时,却暴露出诸多缺陷,例如小样本问题、样本外点学习问题、噪声敏感问题和数据可分性能差等问题。为了克服数据分类过程中流形学习方法的这些缺点,本文提出了几种基于流形学习的特征提取方法,并建立了一个广义的Fisher线性特征提取框架。全文的主要工作概括如下:（1）在应用流形学习算法进行特征提取之前一个很重要的任务就是对噪声数据进行预处理。本文提出了一种基于鲁棒主分量分析（RPCA）的去噪方法。首先通过鲁棒主分量分析和循环赋权最小均方（IRLS）算法对数据点赋权;然后由箱（BOX）统计方法对这些权值进行分析,以识别其中的噪声点和干净点;最后,对去掉噪声后的数据采用流形学习方法进行映射。（2）局部线形嵌入（LLE）算法是一种经典的流形学习算法,它通过保持近邻点之间的最小重构权值不变,将原始数据点投影到低维空间。LLE算法有一个特点,即近邻点间的最小重构误差是旋转、平移和比例不变的,利用平移和比例不变特性可以提高嵌入结果的判别能力。因此提出一种名为局部线性判别嵌入（LLDE）的新方法来提高LLE算法的分类能力,并且可以通过一种改进的最大边缘标准（MMMC）自动得到最佳的线性平移和比例变换。最后在人脸和基因表达数据上的实验结果证实了LLDE算法的有效性。（3）在实际应用中,数据分类问题可以看作是一个面向分类的多子流形学习问题。对于多子流形学习问题,提出了一种以保留数据的局部结构为约束条件,使子流形之间的差异最大为目标函数的模型,该模型被称为约束最大差异映射算法（CMVM）。CMVM是通过线性变换找到一个最佳子空间,使不同子流形数据更分散、同一流形数据更紧密。在人脸和手写体数字上的实验表明CMVM是一种有效的特征提取方法。（4）目前大多数线性特征提取方法,无论是传统的线性方法,还是对传统流形学习方法的线性近似,都有一个共同点,就是它们的目标函数可以表示成一种Fisher形式。基于这个共同点,本文提出了一种广义Fisher框架（GFF）,其中类别信息和局部结构信息被集成在一起。在满足一定条件和正确参数设置情况下,大多数线性特征提取方法都可以看成广义Fisher框架的特例。实验结果验证了我们所提出方法的可行性和有效性。
胡广寰[10]（2005）在《基于内容图像检索中图像语义分类技术研究》文中研究说明图像语义分类是基于内容图像检索（Content-Based Image Retrieval,CBIR）研究领域中一个重要而又有挑战性的问题。图像和视频正在成为多媒体的主要表现形式,将图像数据库划分为有意义的语义类别成为迫切的需要。传统CBIR技术试图通过分析图像视觉特征的相似性来检索图像,这不能满足普通人按语义检索图像的需求。基于低级图像特征将图像集合按语义进行合理的分类,会极大提高CBIR系统的性能。本文主要研究基于图像低级视觉特征的图像语义分类。 本文首先介绍传统CBIR的研究内容、系统组成和实际系统。详细阐述作为图像语义分类基础的颜色、纹理、形状、空间关系等低级图像特征,并讨论图像语义分类的主流技术。针对传统CBIR的不足,介绍了图像语义检索的主要技术。 图像语义模型是对图像整个语义表示和处理过程的抽象,也提供可行的研究方向。贝叶斯概率框架是一种将先验概率转化为后验概率的理论框架,通过形式化的图像分类概率框架可以将低级图像特征映射到已有的高层语义。 图像全局特征的表现形式多种多样,是图像语义分类的重要基础。本文基于单个图像全局特征提出一种新的图像语义分类方法,借鉴相关反馈机制的基本思想获得候选图像全局特征集合中具有最优“判别能力”的单个特征,还应用基于传统摄影学理论的空间分块策略。本文实现室内/室外和城市/风景两个图像分类器,并结合在大型图像数据库上的试验结果深入分析该图像语义分类算法。 多种图像全局特征也可以同时应用于图像语义分类。在分析使用多种图像全局特征优点的基础上,本文提出基于多种图像全局特征并和图像特征空间分布信息相融合的图像语义分类方法。结合多种图像特征和空间分布信息产生新的图像特征表示,并应用一种增量学习方法改进算法的性能。试验结果表明该算法特别适用于特征空间分布相对固定的室内/室外等具体图像语义分类问题。 图像局部特征往往对应着特定的语义类别。本文提出利用动态外观模型（Active Appearance Model）来描述同一语义类别图像中外观相似物体的方法。通过搜索图像中外观相似的“物体”进而分类和检索语义图像。针对人脸检测和红眼检测问题在家庭数字影集上进行试验,结果表明算法具有相当高的检索正确率。 最后开发原型系统TopAlbum,并介绍一些具体实现细节,论证了本文研究
二、从向量空间到欧氏空间看“唯一性”（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、从向量空间到欧氏空间看“唯一性”（论文提纲范文）
（1）基于机器学习的人脸图像认证保护方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 1.5 本章小结 |
| 第二章 相关背景及研究 |
| 2.1 人脸隐私保护技术 |
| 2.1.1 通用的失真/抑制方法 |
| 2.1.2 基于数据发布原则的隐私保护方法 |
| 2.2 机器学习 |
| 2.2.1 深度神经网络 |
| 2.2.2 基于深度神经网络的人脸识别技术 |
| 2.3 相似度度量算法 |
| 2.3.1 范数距离 |
| 2.3.2 余弦相似度 |
| 2.4 对抗样本 |
| 2.4.1 拟牛顿近似算法L-BFGS |
| 2.4.2 快速梯度符号法FGSM |
| 2.4.3 差分进化算法 |
| 2.5 本章小结 |
| 第三章 基于对抗样本的人脸隐私保护方法 |
| 3.1 研究简介 |
| 3.2 问题描述 |
| 3.2.1 系统模型介绍 |
| 3.2.2 方案预期目标 |
| 3.3 方案设计 |
| 3.3.1 人脸隐私保护方案 |
| 3.3.2 小型人脸识别模型miniFNET |
| 3.3.3 人脸隐私图像生成算法priFGEN |
| 3.4 实验评估 |
| 3.4.1 实验数据集 |
| 3.4.2 实验背景介绍 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 适用情感分类的多样性保护方法 |
| 4.1 研究简介 |
| 4.2 问题描述 |
| 4.2.1 系统模型介绍 |
| 4.2.2 方案预期目标 |
| 4.3 方案设计 |
| 4.3.1 隐私保护系统框架 |
| 4.3.2 情感分类模型miniFEXP |
| 4.3.3 多样性隐私图像生成算法divFGEN |
| 4.4 实验评估 |
| 4.4.1 实验数据集 |
| 4.4.2 实验背景介绍 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（2）基于张量的非规则地理时空场数据特征分析方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 时空场数据的组织与处理 |
| 1.2.2 时空场数据的特征分析方法 |
| 1.2.3 基于张量的分析方法与应用研究 |
| 1.2.4 总结 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 论文组织 |
| 第2章 张量与张量分解 |
| 2.1 张量的定义 |
| 2.2 张量的基本运算 |
| 2.2.1 张量的向量/矩阵表示 |
| 2.2.2 张量的标量积和范数 |
| 2.2.3 张量的外积 |
| 2.2.4 张量的n-模乘积 |
| 2.2.5 张量积 |
| 2.3 张量的表达形式 |
| 2.3.1 方形张量和矩形张量 |
| 2.3.2 秩一张量 |
| 2.3.3 对称张量 |
| 2.3.4 对角张量 |
| 2.4 张量分解 |
| 2.4.1 张量CP分解 |
| 2.4.2 张量Tucker分解 |
| 2.4.3 张量层次分解 |
| 2.5 本章小结 |
| 第3章 基于张量的非规则时空场数据的表达模型 |
| 3.1 非规则时空场数据的内涵与特点 |
| 3.2 非规则时空场数据的表达框架 |
| 3.3 稀疏数据的时空立方体组织 |
| 3.4 维度非对称数据的特征系数组织 |
| 3.5 结构异质数据的树状组合组织 |
| 3.6 本章小结 |
| 第4章 非规则时空场数据的特征测度方法 |
| 4.1 张量的基础特征测度 |
| 4.1.1 度量张量整体大小的范数 |
| 4.1.2 特征空间的特征向量和特征值 |
| 4.1.3 度量张量本质空间的秩 |
| 4.2 非规则时空场数据的特征测度 |
| 4.2.1 非规则时空场的稀疏特征测度 |
| 4.2.2 非规则时空场的的非对称性特征测度 |
| 4.2.3 非规则时空场的结构异质性特征测度 |
| 4.3 基于测度的分析框架构建 |
| 4.3.1 基于测度的特征分析 |
| 4.3.2 非规则数据的张量操作 |
| 4.3.3 基于测度的张量特征分析 |
| 4.4 本章小结 |
| 第5章 基于张量的稀疏时空场数据分析方法 |
| 5.1 基于张量分解的稀疏数据分析的整体架构 |
| 5.2 稀疏时空场数据的特征分析模型 |
| 5.3 稀疏张量的CP分析模型 |
| 5.3.1 稀疏时空场数据的CP分解 |
| 5.3.2 基于CP-WOPT的求解算法 |
| 5.3.3 基于CP分解的稀疏数据插补模型 |
| 5.3.4 多约束条件下的最优参数选取规则 |
| 5.4 案例示范 |
| 5.4.1 研究数据和实验配置 |
| 5.4.2 最佳参数选取验证 |
| 5.4.3 分层特征提取结果 |
| 5.5 讨论与验证 |
| 5.5.1 对于不同稀疏程度数据的有效性验证 |
| 5.5.2 对内存和数据分布的支撑性验证 |
| 5.5.3 方法对比 |
| 5.6 本章小结 |
| 第6章 基于张量的维度非对称数据的特征分析 |
| 6.1 基于降维的维度非对称数据的探索性数据分析 |
| 6.2 多维时空场数据的维度划分 |
| 6.3 视角维度上的数据构造 |
| 6.3.1 时空场数据的张量块表达 |
| 6.4 基于视角维度的数据重组 |
| 6.5 视角维相关的特征分析 |
| 6.6 案例示范 |
| 6.6.1 数据描述与实验设计 |
| 6.6.2 特定视角下的特征分析 |
| 6.6.3 从不同的观测视角揭示数据的特征 |
| 6.7 本章小结 |
| 第7章 基于张量的结构异质数据的特征分析 |
| 7.1 结构异质的非规则时空场数据分析需求 |
| 7.2 结构异质的非规则数据的张量分析 |
| 7.2.1 兼顾时空异质性的张量数据组织 |
| 7.2.2 张量数据的均匀分块 |
| 7.2.3 结构异质性数据重组 |
| 7.2.4 基于重组数据的层次张量分析 |
| 7.3 案例示范 |
| 7.3.1 研究数据和实验配置 |
| 7.3.2 数据划分和相似度计算 |
| 7.3.3 块数据重组 |
| 7.3.4 结构异质性验证 |
| 7.3.5 与整体分解的对比验证 |
| 7.3.6 与均匀分块的对比验证 |
| 7.4 本章小结 |
| 第8章 非规则时空场数据分析系统设计与实现 |
| 8.1 系统结构与功能模块 |
| 8.2 数据结构设计 |
| 8.2.1 基于张量的非规则时空场数据结构设计 |
| 8.3 核心算法设计 |
| 8.3.1 稀疏张量插补算法 |
| 8.3.2 层次张量分解与重构 |
| 8.3.3 基于异质分块的数据压缩算法 |
| 8.3.4 张量分解的并行改造 |
| 8.4 系统实现 |
| 8.4.1 系统插件实现 |
| 8.4.2 用户界面与数据可视化模块 |
| 8.4.3 应用与分析实例 |
| 8.5 本章小结 |
| 第9章 结论与展望 |
| 9.1 主要结论 |
| 9.2 主要创新点 |
| 9.3 不足与展望 |
| 参考文献 |
| 在读期间发表的学术论文及研究成果 |
| 致谢 |
（3）基于多核学习的疑似AD脑MRI影像分类算法（论文提纲范文）
| 摘要 |
| Abstract |
| 符号表 |
| 第一章 前言 |
| 1.1 研究背景及意义 |
| 1.2 磁共振成像技术 |
| 1.3 疑似AD脑MRI影像分类相关问题的国内外研究现状 |
| 1.3.1 MRI影像的预处理 |
| 1.3.2 特征提取 |
| 1.3.3 分类器设计 |
| 1.4 论文的研究内容和主要贡献 |
| 1.5 论文的组织结构 |
| 第二章 向量及张量核学习的理论基础 |
| 2.1 引言 |
| 2.2 再生核Hilbert空间 |
| 2.2.1 Hilbert空间 |
| 2.2.2 再生核Hilbert空间 |
| 2.2.3 正定核 |
| 2.3 核函数与支持向量机 |
| 2.3.1 线性支持向量机 |
| 2.3.2 核函数和非线性支持向量机 |
| 2.4 离散结构上的核函数 |
| 2.4.1 离散结构的特征提取 |
| 2.4.2 R-卷积核 |
| 2.5 热核 |
| 2.5.1 图的热核 |
| 2.5.2 集合直积上的指数核 |
| 2.6 张量代数初步 |
| 2.6.1 张量的基本符号和定义 |
| 2.6.2 张量的基本运算 |
| 2.6.3 张量的CP分解 |
| 2.6.4 张量的Tucker分解 |
| 2.7 本章小结 |
| 第三章 基于向量多核学习的疑似AD脑MRI影像分类 |
| 3.1 引言 |
| 3.2 基于空间和解剖正则项的SVM |
| 3.2.1 Cuingnet框架 |
| 3.2.2 空间正则项 |
| 3.2.3 解剖正则项 |
| 3.2.4 空间正则项和解剖正则项的集成 |
| 3.2.5 Cuingnet框架的缺点 |
| 3.3 多核学习 |
| 3.3.1 lp-范数多核学习 |
| 3.3.2 SMO-MKL算法 |
| 3.4 基于向量多核学习的疑似AD脑MRI影像分类 |
| 3.4.1 Spatial-Anatomical-MKL方法 |
| 3.4.2 预处理与实验数据 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 3.6 本章附录 |
| 第四章 基于张量学习的疑似AD脑MRI影像分类 |
| 4.1 引言 |
| 4.2 张量数据的结构信息 |
| 4.2.1 张量数据的空间结构信息和相关性信息 |
| 4.2.2 张量数据的解剖结构信息 |
| 4.3 支持张量机 |
| 4.3.1 张量数据的分类问题 |
| 4.3.2 秩-1 支持张量机 |
| 4.4 基于张量单核学习的疑似AD脑MRI影像分类 |
| 4.4.1 Spatial-Prior-in-STM方法 |
| 4.4.2 实验结果与分析 |
| 4.5 基于张量核函数的支持张量机 |
| 4.5.1 基于张量核函数的支持张量机 |
| 4.5.2 保持结构信息的张量核函数 |
| 4.6 基于张量多核学习的疑似AD脑MRI影像分类 |
| 4.6.1 二元图谱集的解剖核函数的计算 |
| 4.6.2 张量核函数构造 |
| 4.6.3 实验结果与分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结与创新工作 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文及科研情况 |
（4）基于发生教学法的线性空间概念的教学研究（论文提纲范文）
| 内容摘要 |
| ABSTRACT |
| 1. 绪论 |
| 1.1 研究背景 |
| 1.2 研究问题 |
| 1.3 研究目的与意义 |
| 1.4 论文结构 |
| 2. 文献综述 |
| 2.1 高等代数思维的特点 |
| 2.2 概念学习理论 |
| 2.2.1 什么是概念? |
| 2.2.2 概念教学的原则 |
| 2.2.3 概念意象与概念定义 |
| 2.2.4 APOS理论 |
| 2.2.5 概念图理论 |
| 2.3 线性代数教与学的研究 |
| 2.3.1 学生理解的困难与原因 |
| 2.3.2 教学研究与设计 |
| 2.3.3 我国的线性代数课程发展与研究现状 |
| 2.4 本章小结 |
| 3. 理论基础 |
| 3.1 发生教学法的原理 |
| 3.2 发生教学法的教学原则 |
| 3.3 发生教学法的实证研究 |
| 4. 研究过程与方法 |
| 4.1 时间进程与研究流程 |
| 4.2 研究对象 |
| 4.2.1 学校 |
| 4.2.2 课程与教材 |
| 4.2.3 教师及研究人员 |
| 4.2.4 学生 |
| 4.2.5 专家 |
| 4.3 研究方法 |
| 4.4 数据收集 |
| 5. 前期准备阶段 |
| 5.1 对学生的问卷调查 |
| 5.1.1 学生对向量的概念意象 |
| 5.1.2 学生对线性空间的概念意象 |
| 5.1.3 学生对线性代数学习的态度和信念 |
| 5.2 专家访谈的结果 |
| 5.2.1 线性代数的学科特点 |
| 5.2.2 线性代数的核心内容 |
| 5.2.3 专家对线性空间、向量的概念意象 |
| 5.2.4 学生学习中的困难和问题 |
| 5.2.5 对线性代数和线性空间的教学建议 |
| 5.3 初始模型的建立 |
| 5.3.1 概念教学的原则 |
| 5.3.2 教学设计的步骤 |
| 5.3.3 概念认知模型 |
| 5.3.4 发生演变模型 |
| 6. 研究的第一阶段 |
| 6.1 分析与准备 |
| 6.1.1 历史视角分析 |
| 6.1.2 知识的逻辑结构分析 |
| 6.1.3 学生的心理认知分析 |
| 6.1.4 社会-文化视角分析 |
| 6.2 设计与实施 |
| 6.2.1 教学内容与顺序 |
| 6.2.2 核心概念的教学设计 |
| 6.2.3 教学实施过程 |
| 6.3 结果与评价 |
| 6.3.1 学生对线性相关/线性无关的理解 |
| 6.3.2 学生对基的理解 |
| 6.3.3 学生对线性空间的理解 |
| 6.3.4 学生对向量的理解 |
| 6.3.5 教学前后学生的理解对比 |
| 6.4 反思与修正 |
| 7. 研究的第二阶段 |
| 7.1 分析与准备 |
| 7.2 设计与实施 |
| 7.2.1 教学顺序 |
| 7.2.2 核心概念的教学设计 |
| 7.2.3 教学实施过程 |
| 7.3 结果与评价 |
| 7.3.1 学生对线性相关/线性无关的理解 |
| 7.3.2 学生对基的理解 |
| 7.3.3 学生对线性空间的理解 |
| 7.3.4 学生对向量的理解 |
| 7.4 教学反思 |
| 8. 研究结论与启示 |
| 8.1 研究结论 |
| 8.1.1 学生对概念的理解 |
| 8.1.2 学生遭遇的困难 |
| 8.1.3 发生教学法下教学效果的有效性 |
| 8.1.4 教学框架的可行性 |
| 8.2 研究启示与局限 |
| 8.3 进一步研究展望 |
| 参考文献 |
| 附录1 学期末问卷调查 |
| 附录2 第一阶段研究后测问卷 |
| 附录3 第二阶段研究后测问卷1 |
| 附录4 第二阶段研究后测问卷2 |
| 攻读博士期间发表的论文 |
| 后记 |
（5）支持向量机关键技术及其在人体活动识别中的应用研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 支持向量机研究现状 |
| 1.2.2 人体活动识别研究现状 |
| 1.3 论文的研究内容与组织 |
| 1.3.1 本文主要工作及贡献 |
| 1.3.2 论文的组织结构 |
| 第2章 统计学习理论与支持向量机 |
| 2.1 统计学习理论基础 |
| 2.1.1 机器学习及其发展历程 |
| 2.1.2 统计学习理论的发展历程 |
| 2.1.3 学习过程的一致性 |
| 2.1.4 VC维 |
| 2.1.5 推广性的界 |
| 2.1.6 结构风险最小化准则 |
| 2.2 最优分类超平面与支持向量机 |
| 2.2.1 最优分类超平面 |
| 2.2.2 最优分类超平面的构造 |
| 2.2.3 支持向量机 |
| 2.3 小结 |
| 第3章 基于PCA及多级网格搜索的支持向量机算法 |
| 3.1 简介 |
| 3.2 支持向量机的数学本质 |
| 3.2.1 分类的概念 |
| 3.2.2 支持向量机的数学过程 |
| 3.3 主成分分析 |
| 3.4 PMSVM分类模型 |
| 3.4.1 系统归一化 |
| 3.4.2 分层K折交叉验证 |
| 3.4.3 多级网格搜索 |
| 3.5 实验分析 |
| 3.5.1 实验数据集及数据预处理 |
| 3.5.2 实验结果及讨论 |
| 3.6 小结 |
| 第4章 基于PCA及系综学习的支持向量机算法 |
| 4.1 简介 |
| 4.2 C-SVC支持向量机与核函数 |
| 4.2.1 原始问题的提出 |
| 4.2.2 原始问题与对偶问题的关系 |
| 4.2.3 构建C-SVC支持向量机分类器 |
| 4.2.4 Hilbert空间与核函数 |
| 4.3 PENSVM系综学习模型 |
| 4.3.1 PEnSVM的基本思想 |
| 4.3.2 PEnSVM模型框图及伪码表示 |
| 4.4 实验分析 |
| 4.4.1 实验数据集及数据预处理 |
| 4.4.2 实验结果及讨论 |
| 4.5 小结 |
| 第5章 基于少数类过抽样的支持向量机不均衡数据分类 |
| 5.1 简介 |
| 5.2 不均衡学习 |
| 5.2.1 问题的本质 |
| 5.2.2 不均衡学习算法性能评估指标 |
| 5.3 算法基本思想 |
| 5.3.1 KNN图及最小生成树的构建 |
| 5.3.2 合成样本产生方式的优化 |
| 5.3.3 所提出的过抽样方法 |
| 5.4 实验分析 |
| 5.4.1 实验采用的数据集 |
| 5.4.2 实验结果及讨论 |
| 5.5 小结 |
| 第6章 BENSVM及其在人体活动识别中的应用研究 |
| 6.1 简介 |
| 6.2 BENSVM算法的基本思想 |
| 6.3 实验分析 |
| 6.3.1 数据集及数据预处理 |
| 6.3.2 实验结果及讨论 |
| 6.4 小结 |
| 第7章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 后续工作展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（6）基于关键点的NAM图像特征表示及其相似性分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 图像分类识别的研究背景 |
| 1.2 相似性图像检索的概念 |
| 1.3 相似性图像检索的国内外现状 |
| 1.4 本文主要研究工作 |
| 2 基于关键点的NAM图像表示方法SNAM |
| 2.1 NAM图像表示理论及算法 |
| 2.2 SIFT图像关键点表示方法 |
| 2.3 SNAM图像特征表示方法 |
| 2.4 本章小结 |
| 3 SNAM图像特征描述 |
| 3.1 SNAM图像特征定义 |
| 3.2 子模式面积特征向量 |
| 3.3 子模式布局特征向量 |
| 3.4 子模式位置特征向量 |
| 3.5 本章小结 |
| 4 SNAM图像特征相似性 |
| 4.1 相似性距离计算方法 |
| 4.2 子模式面积相似性 |
| 4.3 子模式布局相似性 |
| 4.4 子模式位置相似性 |
| 4.5 本章小结 |
| 5 基于SVM的SNAM图像分类识别 |
| 5.1 SVM分类方法 |
| 5.2 子模式面积向量SVM分类 |
| 5.3 子模式布局向量SVM分类 |
| 5.4 本章小结 |
| 6 SNAM实验结果及分析 |
| 6.1 图像表示实验结果及分析 |
| 6.2 特征向量实验结果及分析 |
| 6.3 特征相似性实验结果及分析 |
| 6.4 SVM分类实验结果及分析 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 主要工作与创新点 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录1:攻读博士学位期间发表学术论文目录 |
| 附录2:攻读博士学位期间参加科研项目 |
| 附录3:部分图像数据 |
（7）流形学习算法及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 流形学习的研究背景 |
| 1.2 流形学习有关的数学定义 |
| 1.3 流形学习的研究现状 |
| 1.4 流形学习的应用 |
| 1.5 论文组织结构 |
| 1.6 论文主要创新点 |
| 第2章 流形学习方法综述 |
| 2.1 高维数据分析的流形建模 |
| 2.2 流形学习方法介绍 |
| 2.2.1 全局特性保持方法 |
| 2.2.1.1 等距特征映射（ISOMAP） |
| 2.2.1.2 最大差异展开（MVU） |
| 2.2.2 局部特性保持方法 |
| 2.2.2.1 局部线性嵌入（LLE） |
| 2.2.2.2 Laplacian 特征映射（LE） |
| 2.2.2.3 Hessian 特征映射（HLLE） |
| 2.2.2.4 局部切空间排列（LTSA） |
| 2.2.2.5 黎曼流形学习（RML） |
| 2.2.2.6 局部样条嵌入（LSE） |
| 2.3 流形学习方法比较 |
| 2.4 流形学习方法存在的问题 |
| 2.5 本章小结 |
| 第3章 正交局部样条判别投影 |
| 3.1 引言 |
| 3.2 相关研究工作 |
| 3.2.1 最大边缘准则（MMC） |
| 3.2.2 局部样条嵌入（LSE） |
| 3.3 正交局部样条判别投影（O-LSDP） |
| 3.3.1 O-LSDP 算法动机 |
| 3.3.2 O-LSDP 算法推导 |
| 3.3.2.1 线性化LSE 算法 |
| 3.3.2.2 获得最优的线性判别投影 |
| 3.3.2.3 求解正交化特征向量 |
| 3.3.3 O-LSDP 算法步骤 |
| 3.3.4 O-LSDP 算法的计算复杂度分析 |
| 3.4 实验结果 |
| 3.4.1 Yale 人脸库上的实验结果 |
| 3.4.2 ORL 人脸库上的实验结果 |
| 3.4.3 Extended Yale B 人脸库上的实验结果 |
| 3.5 讨论 |
| 3.6 本章小结 |
| 第4章 局部多尺度回归嵌入 |
| 4.1 引言 |
| 4.2 动机 |
| 4.2.1 问题描述 |
| 4.2.2 兼容映射 |
| 4.3 局部多尺度回归嵌入 |
| 4.3.1 局部多尺度分析 |
| 4.3.2 正则化线性回归模型 |
| 4.3.3 全局排列 |
| 4.3.4 算法步骤 |
| 4.4 实验结果 |
| 4.5 讨论 |
| 4.5.1 算法参数 |
| 4.5.2 计算时间 |
| 4.5.3 与相关工作之间的关系 |
| 4.6 本章小结 |
| 第5章 快速等距特征映射 |
| 5.1 引言 |
| 5.2 快速等距特征映射 |
| 5.2.1 基于最小子集覆盖的Landmark 点选择 |
| 5.2.2 基于Landmark MDS 的低维嵌入 |
| 5.2.3 Fast-ISOMAP 算法的计算复杂度分析 |
| 5.3 实验结果 |
| 5.4 本章小结 |
| 第6章 基于流形嵌入的蛋白质相互作用数据可信度评估与预测方法研究 |
| 6.1 引言 |
| 6.2 基于流形嵌入的蛋白质相互作用数据可信度评估与预测方法 |
| 6.2.1 流形嵌入 |
| 6.2.1.1 等距特征映射 |
| 6.2.1.2 快速等距特征映射 |
| 6.2.2 可靠性指数 |
| 6.3 实验结果 |
| 6.3.1 蛋白质相互作用数据源 |
| 6.3.2 低维嵌入空间距离分布 |
| 6.3.3 ROC 曲线性能分析 |
| 6.3.4 评估蛋白质相互作用可信度 |
| 6.3.5 预测新的蛋白质相互作用 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文的主要工作与创新点 |
| 7.2 下一步工作展望 |
| 参考文献 |
| 在读期间发表的学术论文与科研项目 |
| 已发表杂志论文 |
| 已发表会议论文 |
| 待发表论文 |
| 参加的科研项目 |
| 获得的奖励 |
| 致谢 |
（8）基于二元模式的人脸识别与表情识别研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 目次 |
| 插图和附表清单 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 人脸识别概述 |
| 1.2.1 国内外研究现状 |
| 1.2.2 研究难点 |
| 1.2.3 人脸识别相关资源 |
| 1.3 人脸表情识别概述 |
| 1.3.1 国内外研究现状 |
| 1.3.2 研究难点 |
| 1.3.3 人脸表情识别相关资源 |
| 1.4 人脸识别与表情识别的内在关系 |
| 1.5 本文研究内容和论文结构 |
| 1.5.1 本文的研究内容 |
| 1.5.2 论文结构 |
| 2 基于局部二元模式直方图映射的快速人脸识别 |
| 2.1 引言 |
| 2.2 局部二元模式(LBP) |
| 2.3 传统的基于LBP的人脸识别方法 |
| 2.3.1 几种直方图度量方法 |
| 2.3.2 传统的基于LBP识别方法的不足 |
| 2.4 局部二元模式直方图映射(LBPHP)方法 |
| 2.4.1 LBPHP方法描述 |
| 2.4.2 LBPHP方法与传统识别方法比较 |
| 2.5 实验结果及分析 |
| 2.5.1 CAS-PEAL大型人脸库上的实验 |
| 2.5.2 FERET大型人脸库上的实验 |
| 2.6 本章小结 |
| 3 基于中心化二元模式方法的表情识别 |
| 3.1 引言 |
| 3.2 中心化二元模式(CBP) |
| 3.2.1 LBP的三大不足 |
| 3.2.2 中心化二元模式 |
| 3.2.3 CBP相对于LBP的三大优势 |
| 3.3 中心最近邻分类器 |
| 3.3.1 中心近邻距离 |
| 3.3.2 中心最近邻分类器 |
| 3.4 实验结果及分析 |
| 3.4.1 JAFFE库 |
| 3.4.2 Cohn-Kanade库 |
| 3.5 本章小结 |
| 4 基于多尺度中心化二元模式方法的表情识别 |
| 4.1 引言 |
| 4.2 图像欧式距离(IMED) |
| 4.2.1 图像欧式距离 |
| 4.2.2 标准化转换 |
| 4.2.3 Kronecker积求G |
| 4.3 嵌有IMED的多尺度cBP |
| 4.3.1 融入梯度信息的CBP |
| 4.3.2 多尺度CBP |
| 4.3.3 嵌有IMED的多尺度CBP |
| 4.4 实验结果及分析 |
| 4.4.1 JAFFE库上的实验 |
| 4.4.2 Cohn-Kanade库上的实验 |
| 4.5 本章小结 |
| 5 基于中心化Gabor直方图的快速准确表情识别 |
| 5.1 引言 |
| 5.2 子空间方法概述 |
| 5.2.1 Eigenfaces与Fisherfaces |
| 5.2.2 非线性流形学习方法 |
| 5.2.3 Laplacianfaces |
| 5.2.4 子空间方法总结 |
| 5.3 有监督Laplacianfaces |
| 5.4 中心化Gabor直方图 |
| 5.4.1 Gabor幅值图谱 |
| 5.4.2 中心化Gabor二元模式 |
| 5.4.3 中心化Gabor直方图 |
| 5.5 表情识别及表情成分分析 |
| 5.5.1 表情空间 |
| 5.5.2 表情空间模型 |
| 5.5.3 表情识别及表情成分分析 |
| 5.6 实验结果及分析 |
| 5.6.1 JAFFE库 |
| 5.6.2 Cohn-Kanade库 |
| 5.6.3 自己建立的表情库 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简历及在学期间所取得的科研成果 |
（9）基于流形学习的特征提取方法及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 插图目录 |
| 表格目录 |
| 第1章 绪论 |
| 1.1 流形学习的研究背景和现状 |
| 1.2 流形学习方法的应用 |
| 1.3 流形的有关数学定义 |
| 1.4 几种代表性的流形学习算法 |
| 1.4.1 等度规映射方法(ISOMAP) |
| 1.4.2 局部线性嵌入(LLE) |
| 1.4.3 拉普拉斯特征谱(LE) |
| 1.4.3.1 拉普拉斯Beltrami算子 |
| 1.4.3.2 拉普拉斯特征映射 |
| 1.4.4 Hessian特征映射(HE) |
| 1.4.5 局部切空间排列(LTSA) |
| 1.4.6 最大差投影(MVU) |
| 1.4.7 Riemann流形学习(RML) |
| 1.5 本文的内容安排 |
| 1.6 本文的主要创新点 |
| 第2章 面向分类的流形学习面临的问题 |
| 2.1 本征维数估计 |
| 2.1.1 本征维数 |
| 2.1.2 本征维数估计方法 |
| 2.2 噪声流形学习 |
| 2.3 样本外点(Out-of-Sample)学习 |
| 2.3.1 流形学习的线性化 |
| 2.3.2 流形学习的核化 |
| 2.3.3 流形学习的张量化 |
| 2.4 监督(半监督)流形学习 |
| 2.5 近邻点的选择 |
| 2.5.1 常用的距离测度 |
| 2.5.2 近邻参数的选择 |
| 2.6 小样本(Small Sample Size,SSS)问题 |
| 2.7 本章小结 |
| 第3章 基于鲁棒主分量分析的噪声流形学习 |
| 3.1 噪声对流形学习的影响 |
| 3.1.1 噪声类型 |
| 3.1.2 噪声对流形学习算法的影响 |
| 3.2 流形学习中的噪声处理方案 |
| 3.3 基于去噪预处理的噪声流形学习算法 |
| 3.3.1 局部主分量分析 |
| 3.3.2 鲁棒主分量分析 |
| 3.3.3 Box统计分析 |
| 3.3.4 数据去噪处理算法 |
| 3.4 实验 |
| 3.4.1 噪声S曲面数据 |
| 3.4.2 噪声Swiss Roll数据 |
| 3.5 本章小结 |
| 第4章 基于局部线性判别嵌入的特征提取方法 |
| 4.1 引言 |
| 4.2 局部线性嵌入 |
| 4.3 局部线性判别嵌入 |
| 4.3.1 LLDE算法的目标 |
| 4.3.2 LLDE算法 |
| 4.4 实验结果 |
| 4.4.1 YALE人脸数据 |
| 4.4.2 CMU PIE人脸数据 |
| 4.4.3 基因微阵列数据 |
| 4.5 讨论 |
| 4.6 本章小结 |
| 第5章 基于约束最大差异投影的特征提取方法 |
| 5.1 引言 |
| 5.2 最大差异伸展 |
| 5.2.1 约束条件 |
| 5.2.2 目标函数 |
| 5.2.3 谱分解 |
| 5.3 约束最大差异投影 |
| 5.3.1 局域 |
| 5.3.2 子流形的差异 |
| 5.3.3 CMVM算法的目的与特点 |
| 5.3.4 线性特征提取 |
| 5.3.5 核扩展 |
| 5.3.6 张量扩展 |
| 5.3.7 CMVM算法 |
| 5.4 实验 |
| 5.4.1 FERET人脸数据 |
| 5.4.2 CMU PIE人脸数据 |
| 5.4.3 USPS手写体数据 |
| 5.5 讨论 |
| 5.6 本章小结 |
| 第6章 基于广义Fisher的线性特征提取的框架 |
| 6.1 引言 |
| 6.2 流形学习相关框架 |
| 6.2.1 流形学习的共同框架 |
| 6.2.2 基于图嵌入的统一框架 |
| 6.3 广义Fisher框架算法 |
| 6.3.1 LDA和UDP的投影坐标系 |
| 6.3.2 局部结构矩阵和全局矩阵 |
| 6.3.3 相似散度 |
| 6.3.4 相异散度 |
| 6.3.5 线性特征提取 |
| 6.3.6 非线性特征提取 |
| 6.4 LDA、PCA、ISOMAP、LLE、LPP、UDP、MVU和GFF关系 |
| 6.4.1 PCA和GFF |
| 6.4.2 LDA和GFF |
| 6.4.3 UDP和GFF |
| 6.4.4 LPP和GFF |
| 6.4.5 ISOMAP和GFF |
| 6.4.6 LLE和GFF |
| 6.4.7 MVU和GFF |
| 6.4.8 GFF和CMVM |
| 6.5 实验 |
| 6.5.1 掌纹数据 |
| 6.5.2 ORL人脸数据 |
| 6.6 本章小结 |
| 总结与展望 |
| 本文的主要工作与创新点 |
| 进一步的工作展望 |
| 参考文献 |
| 在读期间发表的学术论文与科研项目 |
| 致谢 |
（10）基于内容图像检索中图像语义分类技术研究（论文提纲范文）
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 本文的工作 |
| 1.3 本文的贡献 |
| 1.4 文章的组织结构 |
| 第二章 相关研究工作综述 |
| 2.1 CBIR简介 |
| 2.2 图像语义分类综述 |
| 2.3 图像语义检索综述 |
| 2.4 本章小结 |
| 第三章 贝叶斯概率图像分类框架 |
| 3.1 引言 |
| 3.2 图像语义模型介绍 |
| 3.3 分类算法基础知识 |
| 3.4 图像语义分类问题定义 |
| 3.5 图像分类框架基本元素 |
| 3.6 确定推理规则 |
| 3.7 使用VQ计算后验概率 |
| 3.8 贝叶斯分类框架整体算法 |
| 3.9 本章小结 |
| 第四章 基于单个图像全局特征的图像语义分类 |
| 4.1 引言 |
| 4.2 相关反馈基础知识 |
| 4.3 算法基本元素 |
| 4.4 候选特征及其提取 |
| 4.5 加入空间分块策略 |
| 4.6 确定编码向量 |
| 4.7 算法整体流程 |
| 4.8 试验结果 |
| 4.9 算法讨论 |
| 4.10 本章小结 |
| 第五章 基于多种图像全局特征图像语义分类 |
| 5.1 引言 |
| 5.2 选择多种图像全局特征 |
| 5.3 融入特征空间分布信息 |
| 5.4 加入增量学习方法 |
| 5.5 试验结果 |
| 5.6 算法讨论 |
| 5.7 本章小结 |
| 第六章 基于图像局部特征的图像语义分类及检索 |
| 6.1 引言 |
| 6.2 AAM基础知识 |
| 6.3 基于AAM的人脸检测应用 |
| 6.4 基于AAM的红眼检测应用 |
| 6.5 本章小结 |
| 第七章 原型系统:TOPALBUM |
| 7.1 开发背景 |
| 7.2 系统结构 |
| 7.3 系统实现细节 |
| 7.4 本章小结 |
| 第八章 结论及展望 |
| 8.1 本文的主要工作和结论 |
| 8.2 未来工作展望 |
| 参考文献 |
| 作者在攻读博士期间发表的论文 |
| 致谢 |
四、从向量空间到欧氏空间看“唯一性”（论文参考文献）
- [1]基于机器学习的人脸图像认证保护方法研究[D]. 罗宇恒. 电子科技大学, 2020(07)
- [2]基于张量的非规则地理时空场数据特征分析方法[D]. 李冬双. 南京师范大学, 2019
- [3]基于多核学习的疑似AD脑MRI影像分类算法[D]. 吴应江. 贵州大学, 2017(02)
- [4]基于发生教学法的线性空间概念的教学研究[D]. 朱琳. 华东师范大学, 2017(09)
- [5]支持向量机关键技术及其在人体活动识别中的应用研究[D]. 姚毓凯. 兰州大学, 2015(01)
- [6]基于关键点的NAM图像特征表示及其相似性分类研究[D]. 方少红. 华中科技大学, 2011(05)
- [7]流形学习算法及其应用研究[D]. 雷迎科. 中国科学技术大学, 2011(04)
- [8]基于二元模式的人脸识别与表情识别研究[D]. 付晓峰. 浙江大学, 2008(06)
- [9]基于流形学习的特征提取方法及其应用研究[D]. 李波. 中国科学技术大学, 2008(07)
- [10]基于内容图像检索中图像语义分类技术研究[D]. 胡广寰. 浙江大学, 2005(04)