一、人脸表情的混沌仿生识别（论文文献综述）
陈辉[1]（2005）在《人脸表情自动识别系统》文中指出人脸表情识别技术是生物特征识别、情感计算、心理学、机器视觉等领域的一个极富挑战性的交叉课题,是近年来的一个研究热点。尽管人脸表情自动识别技术在各种潜在应用的推动下发展很快,但到目前为止,要建立鲁棒的实时人脸表情自动识别系统还有许多难点问题尚未解决。 在总结前人研究成果的基础上,针对人脸表情识别技术的特殊性和困难所在,本文研究了一些改进算法并且进行了实验,工作重点为以下几个方面。 （1）研究了遗传算法（Genetic Algorithm,GA）在人脸检测中的应用,其中包括复杂背景下多人脸遗传检测方法、基于人脸对称性的人脸混沌量子遗传（Chaotic Quantum Genetic Algorithm,CQGA）检测、AdaBoost特征的量子优化选取算法。在研究中,遗传算法同人脸的结构信息、对称特性以及人脸的统计特性有机结合起来,实验结果表明遗传算法在人脸检测中的应用能够在保证较高的检测率的同时提高人脸检测速度。研究了一种多尺度指导的多分类器调度人脸检测算法,该算法在综合使用帧间信息和肤色信息以及人眼点检测作为粗筛选,在粗筛选的基础上根据分析窗口的大小选择不同的分类器和特征进行人脸的检测,充分考虑了分辨率对人脸特征的影响。实验结果表明该方法在时间效率和检测率上都优于单一策略的人脸检测方法。 （2）分析了人脸表情特征及其选取原则,重点论述了纹理特征、特征点特征和密集点运动特征的提取方式。 （3）研究了基于混沌调制与相关检测的人脸表情识别算法,该算法使用了混沌调制对图像的记忆特性,对图像特征数据进行混沌调制进而训练系统。检测阶段将待检测图像的特征数据进行相同的混沌调制和相关检测。实验结果表明该方法对峰值表情有较高的识别率。研究了隐马尔可夫模型（Hidden Markov Models,HMM）在人脸表情识别中的应用,设计了基于HMM的人脸表情识别算法。 （4）针对目前人脸表情划分的不足,研究了基于人脸活动编码系统（Facial Action Coding System,FACS）的精细人脸表情编码方法和使用表情滤波器的表情分解方法。
陈辉,张家树[2]（2004）在《人脸表情的混沌仿生识别》文中指出人类情感通过人脑对人面部肌肉与肤色的调制机理的研究,结合前人关于混沌理论和计算机视觉的研究成果,提出一种利用混沌调制粗识别和遗传算法精细识别的多分辨人脸面部表情的仿生识别方法。讨论了以混沌调制和遗传调制建立仿生识别多分辨系统模型的方法,并介绍了实验系统的建立。通过在PC机（PIII450,128MRAM）上实验仿真,单幅人脸处理时间小于1s,正确识别率为87.6%,为人脸表情的实时识别提供了一个较好的方法。
陈辉,张家树[3]（2004）在《人脸表情的混沌仿生识别》文中认为人类情感通过人脑对人面部肌肉与肤色的调制机理的研究,结合前人关于混沌理论和计算机视觉的研究成果,提出一种利用混沌调制粗识别和遗传算法精细识别的多分辨人脸面部表情的仿生识别方法。讨论了以混沌调制和遗传调制建立仿生识别多分辨系统模型的方法,并介绍了实验系统的建立。通过在PC机（PⅢ450,128M RAM）上实验仿真,单幅人脸处理时间小于1s。正确识别率为87.6%,为人脸表情的实时识别提供了一个较好的方法。
关良华[4]（2017）在《基于细菌觅食算法的图像处理》文中研究说明随着计算机技术的不断发展以及其软硬件的更新换代,越来越多的人开始使用计算机对图像做各式各样的处理。图像处理技术也在迅速的发展,其应用范围也不断拓展,例如机器人视觉以及工业检测等。图像处理是一门引人注目和具有远大前景的学科,包括图像分割、图像增强、图像分类以及目标识别等多个技术领域。图像分割和图像分类这两方面内容如果处理的好,能对后续工作带来良好的结果;若是处理不好,这会对后续工作（如目标识别）带来不少的麻烦还有难点,然而许多常见的分割算法和分类算法可能只解决了部分的分割和分类问题,还余下大部分问题。基于仿生算法的分割和分类算法又可以进一步解决些问题。然而,传统的仿生算法也还是有些局限性,例如比较容易陷入局部最优,效率相对比较低下,搜寻精度不足等。所以本文提出了使用改进的细菌觅食算法来对图像进行分割和分类,主要研究工作如下:（1）提出了一种改进细菌觅食算法（IBFO）并应用于图像分割。针对传统细菌觅食算法在处理大量图像时效率较低和精度不高的问题,在算法的迁徙行为和趋化行为都做了动态的调整,根据所在阶段改变行为方式,并用改进算法对图像进行分割实验。通过实验验证,与基于仿生算法的聚类分析算法结果相比,并用测试函数收敛性、区域间灰度对比度、不均匀性和时间耗费指标来验证了改进细菌觅食算法的有效性。（2）提出了另一种改进细菌觅食算法（SIBFO）并应用目标图像分类。其主要利用改进细菌觅食算法对从视频中提取的行人、汽车以及宠物进行聚类分析完成图像中的目标分类。通过实验验证,与基于传统群体智能算法的目标分类结果相比,并用分类算法的指标查全率、查准率和综合这两个指标的加权指标来进行验证了改进细菌觅食算法的有效性。（3）将第二种改进细菌觅食算法（SIBFO）应用于支持向量机参数优化方法并进行人脸识别。根据支持向量机分类器的原理,将其与之前改进的细菌觅食算法结合起来以达到最优分类器的目的。然后使用结合后的分类器对人脸图像进行识别实验。通过实验验证,与基于传统仿生算法的支持向量机参数优化进行比较,在全局搜索方面、优化后的支持向量机的预测和误差分析方面以及对ORL人脸库和AR人脸库进行人脸识别的分类准确率方面考证了改进算法的优越性。
王征宇[5]（2015）在《神经网络集成分类方法及其在并行计算环境中的应用研究》文中提出集成学习是一种新的机器学习范式,它通过对弱学习机进行整合,获得达到强学习机效果和质量的整体输出。集成学习从统计学上、计算上和表示上的三个方向,而不是直接从人工智能和学习算法的方向上,有效地提高了机器学习的效果,这从机器学习研究的方法论上来说是一个重大的进步。神经网络集成是指子学习机为神经网络的集成学习算法,由于人工神经网络本身就被很广泛地用于各类分类算法,所以神经网络集成也是分类器集成最常用的一种计算框架,成为目前国际机器学习和神经计算界的一个长期活跃的研究热点。现有的集成学习算法存在两个比较普遍性问题。一是通用性问题。没有一个“万能算法”能解决所有的问题,必须具体问题具体分析。二是性能问题。集成学习算法带来了数倍于单学习机模式的计算量,在实时系统或者海量数据处理系统的应用中会导致性能问题。针对上面这两类问题,本论文的研究目标主要包括:一是分别针对低维数据和高维数据这两种比较典型的分类问题,提出了更加合适的集成算法组合。二是提出针对并行性计算优化的集成算法,并将并行集成学习算法应用在并行计算框架上解决实际问题。具体如下:1、现有基于模糊积分的神经网络集成算法,一般是以衡量正确率的模糊密度为基础的,这样来确定子神经网络权重的方式不够全面。本论文设计了一个能够从正确率、误差距离和失效程度三方面更加有效和全面衡量子神经网络重要程度的模糊密度,并将其用于神经网络集成器的计算。通过对双螺旋分类问题的研究,证明了提出的神经网络集成算法在这种典型的低维度数据分类问题上的有效性。2、高维度数据的分类问题,一般都需要基于特征抽取或者特征选择的数据降维预处理。本论文设计了一种方法,通过采用多种特征抽取方法来对同一原始训练数据获得多个训练集,从而提高子神经网络差异性。在另一方面,经典的Adaboost算法在用于多类分类问题时,容易忽略整体正确率不高、但对某个类别拥有分类“特长”的子神经网络。本论文提出多维Adaboost（Multi-Dimension Adaboost,MD-Adaboost）算法,通过为子神经网络对于不同分类的输出设置独立权重,使得各个子神经网络在输出集成中能够拥有更加合理的权值,从而提高神经网络集成分类器的整体性能。该算法应用在人脸表情识别（Face Expression Recognition,FER）中获得了较好的结果。3、集成分类算法在海量数据集的训练和分类中会产生巨大的计算量,针对这个问题,本论文提出了基于Mapreduce并行计算框架和遗传算法的并行选择性神经网络集成算法（Maprduce-baesd Selective Neural Network Ensemble with GA,MSNNE-GA）。算法通过“选择”的手段降低了集成分类器的规模,同时通过使用Mapreduce框架实现了集成分类器在训练、选择和分类多个阶段的并行计算,有效缩短了算法的运行时间。实验中使用该算法更优地解决了双螺旋分类问题,同时与单个分类器相比,分类的速度也有了大大的提高。4、上面提出的MSNNE-GA算法是全局优化算法的一种,但其使用遗传算法的选择过程并行度不高,而且存在频繁的数据交换损耗。除了全局优化选择算法,选择性神经网络集成常用的方法还包括聚类。本论文提出了另一种可并行的选择性神经网络集成方法（Selective Neural Network Ensemble with K-means and PSO,SNNE-KP）,通过将聚类和类内的全局优化算法（或称局部优化算法）结合起来,不仅从提高子神经网络的多样性和准确性这两个方面来共同提高神经网络集成的质量,而且还提高了算法的整体并行度。在对UCI部分数据集进行分类的实验中,SNNE-KP算法获得了更好的分类准确率。除此之外,基于Hadoop的并行计算也能有效的提高神经网络集成分类器的构造速度和分类速度。5、对基于混合神经网络计算平台（Hybrid Neural-Net Computing Platform,HNetCP）的分布式虚拟仿人机器人（Virtual Humanoid Robot,VHR）进行了扩展,将基于Hadoop的并行计算框架作为机器人的学习模块,实现了基于以上提出的SNNE-KP神经网络集成算法框架实现了人脸识别算法。在实验中完成了人脸识别与三维仿真系统的联动控制,并对集中式VHR和分布式VHR进行了对比分析。
熊小芸[6]（2011）在《同行评议项目分组与申请代码和关键词的选择》文中提出本文介绍了国家自然科学基金委员会信息科学一处项目同行评议的分组方式,指出了按申请代码分组存在的问题,比较了两种分组方案的差别,在此基础上给出了信息科学一处分组关键词与申请代码的对应关系。
孙向风[7]（2010）在《基于进化计算和支持向量机的人脸识别算法研究》文中提出人脸识别是生物特征识别的一个重要分支,在信息安全、刑事侦破、出入口控制等领域有着广泛的应用前景。人脸识别的本质是分类问题,传统的分类方法容易出现过学习现象,支持向量机因其出色的学习能力、泛化能力强等优势,已经成为人脸识别的首选分类器。但当训练样本规模过大时,如何解决训练速度与训练样本规模间的矛盾仍然是目前的研究热点,本文针对进化算法有很好的自适应性、并行性、能较好的处理大规模复杂数据,尝试将混沌理论以及粒子群算法应用到该问题的研究中。本文的主要工作包括：1.提出一种新的混沌模型-circle模型,在matlab上的实验结果表明circle模型可以产生分布更加均匀的混沌变量。2.结合混沌理论的粒子群优化算法。基本粒子群算法在搜索过程中粒子的搜索空间是一个有限的区域,不能覆盖到整个空间,容易陷入局部最优。本文利用混沌系统遍历性和对初值的高敏感特性,将混沌思想与粒子群算法相结合,避免粒子群算法陷入局部最优,增强算法的全局搜索能力。3.提出一种应用混沌粒子群算法训练支持向量机的方法。利用混沌粒子群算法很好的并行计算能力,解决训练大规模数据时速度慢的问题。在人脸数据库上的实验结果表明,该方法能够提高训练支持向量机的效率。
章毓晋[8]（2009）在《中国图像工程:2008》文中认为该文是关于中国图像工程的年度文献综述系列之十四。为了使国内广大从事图像工程研究和图像技术应用的科技人员能够较全面地了解国内图像工程研究和发展的现状,并能够方便地查询有关文献,现从2008年在国内15种有关图像工程重要中文期刊的共120期上发表的3359篇学术研究和技术应用文献中,选取出915篇属于图像工程领域的文献,并根据各文献的主要内容将其分别归入图像处理,图像分析,图像理解,技术应用和综述5个大类,然后进一步分入23个专业小类（与去年相同）。在此基础上还进行了各期刊各类文献的统计和分析。根据统计分析结果可看到,我国图像工程在2008年许多新进展的情况。特别值得指出的是,在上述15种期刊上所发表的图像工程文献数量在2008年继续增加并达到历史最高,显示了图像工程在中国继续蓬勃发展的趋势。
胡秀丽[9]（2008）在《基于Gabor小波变换与分形维的人脸情感识别》文中研究指明由于计算机在图像领域的优异性,情感计算越来越受到国内外研究者的关注,情感计算是试图使计算机能够像人类那样具有理解和表达情感能力的一个多学科交叉的新研究领域,在智能人机交互中起着非常重要的作用。人脸情感识别的研究在人工智能、计算机视觉、图像处理、模式识别、心理学等各种相关学科领域中都很有价值。人脸情感识别是模式识别领域中一个比较活跃的研究方向。从广义上讲静态图像的人脸情感识别包括:预处理,人脸检测,情感特征提取,情感分类。本文由于采用的日本人脸库（JAFFE）是单人脸的灰度图像,所以主要从三个环节上进行了研究工作,研究内容体现在以下几个方面:（1）首先,对人脸情感图像进行分割、消噪处理;然后对其作标准化处理,以便提取有效的特征,标准化处理包括尺度归一化和灰度均衡化。尺度归一化是将所有情感图像变换成标准尺寸的图像,并将所有图像中已标记的对应关键特征点校准到同一位置,灰度均衡化是将尺度归一化后的图像变换成同样的灰度级;最后对归一化后的图像使用固定像素的网格进一步分割情感子图像。（2）提出了一种新颖的情感特征提取方法——Gabor小波变换与分形维数相结合。对预处理后的情感子图像的每一个网格进行Gabor小波变换以及分形维数的计算,为提高算法效率和减少特征维数,取Gabor变换后的小波系数模的均值、方差和计算所得的分形维数作为该网格的情感特征向量。（3）通过采用Matlab中神经网络工具箱的BP、RBF神经网络,实现情感特征的多分类任务,因为使用Matlab可以方便地采用不同的核函数、激励函数。采用本文的预处理、特征提取和情感分类方法,可以实现快速鲁棒的识别工作。实验结果验证了方法的有效性。
何坤[10]（2006）在《人脸识别理论关键技术的研究》文中研究指明身份认证是人们在日常生活中经常遇到的问题,几乎每时每刻都需要证明身份,在信息技术飞速发展的今天,电子商务、网上银行、公共安全等领域对身份认证的可靠度和方式提出了新的要求,传统的身份认证方法已经不能满足这些要求。但人脸作为特征具有不易伪造、不会遗失、终身不变性和随身携带的优点,与指纹、视网膜、虹膜、基因等其他人体生物特征识别系统相比,人脸识别系统更加直接、友好,使用者无任何心理障碍。人脸检测识别要求对受检人的身体伤害以及人身自由的限制最少。由人脸检测和人脸识别两个关键环节组成。人脸检测是指利用计算机在输入图像中确定所有人脸的位置、大小,是人脸信息处理中的一项关键技术。人脸识别是利用计算机分析人脸图像,进而从中提取有效的识别信息,用来“辨识”身份的一门技术。人脸识别的研究涉及心理学、生理学、人工智能、模式识别、计算机视觉、图像分析与处理等多个学科领域。它是人类智能的基本体现,它是最典型、最困难的模式识别问题之一,对这一问题的研究和解决,有助于对其他对象识别问题的研究和解决。人脸识别也因此成为这些基础研究领域的重要课题之一,具有重要的理论研究价值。本文的主要工作包括:本文分析了复杂环境下人脸检测的本质。即在复杂环境下检测出人脸区域及人脸大小,这一任务决定人脸检测具有不确定性。不确定性的主要原因有:a:由于光照和当时人的行动速度等因素造成了图像质量的不确定;b:图像中是否存在人脸以及人脸区域的大小是不确定的;c:人脸与非人脸之间的区别没有明确界定造成了概念之间的不确定性。人脸检测的不确定性决定了人脸检测不能
二、人脸表情的混沌仿生识别（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、人脸表情的混沌仿生识别（论文提纲范文）
（1）人脸表情自动识别系统（论文提纲范文）
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸表情识别系统 |
| 1.2.2 该领域的研究进展 |
| 1.2.3 该领域存在的问题 |
| 1.3 本文研究的思路与主要内容 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 第二章 基于遗传算法的人脸检测 |
| 2.1 引言 |
| 2.2 基于小生境遗传算法的人脸检测 |
| 2.3 基于人脸对称性的量子遗传检测 |
| 2.4 AdaBoost特征的量子优化选择 |
| 2.5 尺度指导多分类器调度的人脸检测算法 |
| 第三章 人脸表情特征及其提取方法 |
| 3.1 人脸表情特征及其选取 |
| 3.1.1 人脸的共性特征与个性特征 |
| 3.1.2 人脸的暂态特征与永久特征 |
| 3.1.3 人脸的局部特征与整体特征 |
| 3.1.4 年龄对人脸特征的影响 |
| 3.1.5 人脸表情特征选取的原则 |
| 3.2 人脸表情特征的提取与归一化 |
| 3.2.1 纹理特征提取 |
| 3.2.2 特征点的选择 |
| 3.2.3 特征点运动特征提取 |
| 3.2.4 密集特征点光流方法提取人脸的整体运动 |
| 第四章 人脸表情识别算法 |
| 4.1 基于混沌调制的人脸表情识别算法 |
| 4.2 基于表情滤波器的人脸表情分解 |
| 4.3 基于HMM的人脸表情识别算法 |
| 4.4 人脸表情的精细划分与FACS的改进 |
| 第五章 人脸表情识别系统设计与实现 |
| 5.1 人脸表情自动识别系统设计 |
| 5.1.1 人脸表情自动识别系统流程 |
| 5.1.2 基于VFW的视频获取 |
| 5.1.3 基于局部特征自举的实时人脸检测 |
| 5.1.4 人脸表情特征提取算法设计 |
| 5.1.5 人脸表情分类器设计 |
| 5.2 系统软件设计与实现 |
| 5.2.1 系统设计 |
| 5.2.2 模块设计 |
| 5.2.3 调试与实验 |
| 5.3 应用举例 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 本课题的研究方向预测与展望 |
| 致谢 |
| 参考文献 |
| 在读研究生期间发表论文情况 |
| 攻读学位期间参加的科研项目 |
（2）人脸表情的混沌仿生识别（论文提纲范文）
| 1 引 言 |
| 2 表情分类及人脑对表情的调制 |
| 3 表情图像的混沌调制识别 |
| 4 仿真结果 |
| 5 结 论 |
（4）基于细菌觅食算法的图像处理（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 仿生优化算法 |
| 1.3 国内外研究现状 |
| 1.4 仿生算法在图像处理中的应用 |
| 1.5 本文的组织结构及创新点 |
| 第二章 细菌觅食优化算法 |
| 2.1 引言 |
| 2.2 传统细菌觅食算法概述 |
| 2.2.1 趋化算子 |
| 2.2.2 繁殖算子 |
| 2.2.3 迁徙算子 |
| 2.3 BFO算法基本步骤与流程图 |
| 2.4 BFO算法参数选取 |
| 2.5 本章小结 |
| 第三章 基于改进细菌觅食算法的图像分割 |
| 3.1 引言 |
| 3.2 图像分割的概述 |
| 3.2.1 图像分割的概念 |
| 3.2.2 常用的分割方法 |
| 3.3 改进的细菌觅食优化算法 |
| 3.4 基于IBFO算法的图像分割 |
| 3.4.1 基于IBFO算法图像分割的主要思想 |
| 3.4.2 图像特征提取 |
| 3.4.3 基于IBFO算法的图像分割的具体步骤 |
| 3.5 实验结果和分析 |
| 3.5.1 各种算法的参数设置 |
| 3.5.2 全局搜寻评价 |
| 3.5.3 图像分割的性能分析 |
| 3.6 本章小结 |
| 第四章 基于改进细菌觅食算法的图像分类 |
| 4.1 引言 |
| 4.2 图像分类概述 |
| 4.2.1 图像分类的概念 |
| 4.2.2 常用的图像分类方法 |
| 4.3 改进的细菌觅食算法 |
| 4.3.1 细菌觅食算法趋化行为的改进思想 |
| 4.3.2 细菌觅食算法迁徙行为的改进思想 |
| 4.3.3 SIBFO算法的基本流程 |
| 4.4 基于SIBFO算法的目标图像分类 |
| 4.4.1 目标图像的特征提取 |
| 4.4.2 目标图像分类的主要思想 |
| 4.4.3 基于SIBFO算法目标图像分类的具体实现步骤 |
| 4.5 实验结果和分析 |
| 4.5.1 改进细菌觅食算法的参数设置 |
| 4.5.2 基于SIBFO的目标图像分类结果 |
| 4.5.3 改进细菌觅食算法的性能分析 |
| 4.6 本章小结 |
| 第五章 基于改进细菌觅食算法的人脸识别 |
| 5.1 引言 |
| 5.2 人脸识别概述 |
| 5.3 支持向量机 |
| 5.3.1 支持向量机基本原理 |
| 5.3.2 各种参数对SVM性能的影响 |
| 5.3.3 SVM参数优化方法 |
| 5.3.4 基于SIBFO的SVM参数优化 |
| 5.4 人脸图像的特征提取 |
| 5.4.1 LBP局部特征提取 |
| 5.4.2 LBP的改进 |
| 5.5 基于SIBFO参数优化的SVM人脸识别 |
| 5.6 实验结果与分析 |
| 5.6.1 设置参数 |
| 5.6.2 全局搜索能力对比 |
| 5.6.3 预测精度与误差分析 |
| 5.6.4 实验结果分析 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 对未来研究工作的展望 |
| 参考文献 |
| 攻读硕士学位期间学术成果及奖励 |
| 致谢 |
（5）神经网络集成分类方法及其在并行计算环境中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景和意义 |
| 1.1.1 机器学习概述 |
| 1.1.2 集成学习的研究意义 |
| 1.1.3 集成学习的性能问题 |
| 1.2 集成学习概述 |
| 1.2.1 集成学习研究的关键问题 |
| 1.2.2 分类器集成 |
| 1.2.3 神经网络集成 |
| 1.2.4 并行集成学习 |
| 1.3 研究动机和研究目标 |
| 1.4 研究内容 |
| 1.4.1 基于模糊密度和模糊积分的神经网络集成分类器 |
| 1.4.2 基于集成特征抽取和多维Adaboost算法的神经网络集成分类器 |
| 1.4.3 基于遗传算法的并行选择性神经网络集成分类器 |
| 1.4.4 基于聚类和局部优化算法的并行选择性神经网络集成分类器 |
| 1.4.5 并行神经网络集成在分布式虚拟仿人机器人的应用 |
| 1.5 论文章节组织 |
| 第二章 集成学习的理论基础和研究现状 |
| 2.1 集成学习的框架 |
| 2.2 集成学习的理论基础 |
| 2.3 集成学习的有效性分析 |
| 2.3.1 有效性的内部条件 |
| 2.3.2 有效性的外部条件 |
| 2.4 集成学习的算法分析 |
| 2.4.1 子学习机的生成算法 |
| 2.4.2 子学习机的集成算法 |
| 2.5 集成学习的评估分析 |
| 2.6 集成学习的研究现状 |
| 2.6.1 分类器集成的研究现状 |
| 2.6.2 神经网络集成研究现状 |
| 2.6.3 并行集成学习研究现状 |
| 2.7 本论文涉及的分类问题介绍 |
| 2.7.1 双螺旋分类问题 |
| 2.7.2 人脸识别与人脸表情识别 |
| 2.7.3 UCI数据库 |
| 2.8 本章小结 |
| 第三章 基于模糊密度和模糊积分的神经网络集成分类器 |
| 3.1 引言 |
| 3.2 模糊积分与神经网络集成 |
| 3.2.1 模糊测度、模糊密度和模糊积分 |
| 3.2.2 模糊积分在神经网络集成中的应用 |
| 3.3 基于模糊积分的神经网络集成算法 |
| 3.3.1 模糊密度和模糊积分的选择 |
| 3.3.2 算法描述及流程 |
| 3.4 实验 |
| 3.4.1 实验环境和参数设置 |
| 3.4.2 单个神经网络与多神经网络集成比较 |
| 3.4.3 成员神经网络参数对结果影响 |
| 3.4.4 不同模糊密度函数比较 |
| 3.5 本章小结 |
| 第四章 基于集成特征抽取和多维Adaboost算法的神经网络集成分类器 |
| 4.1 引言 |
| 4.2 集成特征抽取方法 |
| 4.2.1 人脸图像的主成分分析（特征脸方法） |
| 4.2.2 Gabor滤波器 |
| 4.2.3 集成特征抽取 |
| 4.3 基于多维分类误差调整的Adaboost算法（MD-Adaboost） |
| 4.3.1 Adaboost在多类问题中的应用 |
| 4.3.2 MD-Adaboost算法设计 |
| 4.3.3 Adaboost与MD-Adaboost的比较 |
| 4.4 实验和讨论 |
| 4.4.1 实验环境 |
| 4.4.2 多特征抽取算法的有效性 |
| 4.4.3 MD-Adaboost与其他算法对比 |
| 4.5 本章小结 |
| 第五章 基于遗传算法的并行选择性神经网络集成分类器 |
| 5.1 引言 |
| 5.1.1 选择性集成 |
| 5.1.2 选择策略的相关研究 |
| 5.1.3 Mapreduce |
| 5.2 基于遗传算法的选择性集 |
| 5.2.1 子网络的生成 |
| 5.2.2 选择策略 |
| 5.2.3 集成算法 |
| 5.3 选择性集成算法的并行计算 |
| 5.3.1 子神经网络的并行训练 |
| 5.3.2 基于粗粒度并行遗传算法的选择和集成 |
| 5.3.3 神经网络集成分类器并行的应用计算 |
| 5.4 实验和讨论 |
| 5.4.1 实验环境 |
| 5.4.2 集成学习的效果 |
| 5.4.3 选择性集成与一般集成的比较 |
| 5.4.4 基于Mapreduce并行计算的优势 |
| 5.4.5 神经网络集成的规模对算法的影响 |
| 5.5 本章小结 |
| 第六章 基于聚类和局部优化的并行选择性神经网络集成分类器 |
| 6.1 引言 |
| 6.1.1 全局优化选择策略 |
| 6.1.2 聚类选择策略 |
| 6.1.3 两类选择策略的分析比较 |
| 6.2 基于聚类和局部优化的选择性神经网络集成算法（SNNE-KP） |
| 6.2.1 训练阶段 |
| 6.2.2 聚类阶段 |
| 6.2.3 类内局部优化选择阶段 |
| 6.2.4 子神经网络集成阶段 |
| 6.2.5 SNNE-KP算法小结 |
| 6.3 SNNE-KP算法在并行计算环境中的实现 |
| 6.3.1 并行计算的时间分析 |
| 6.3.2 并行计算框架 |
| 6.4 实验和讨论 |
| 6.4.1 不同的集成算法在不同数据集上的比较 |
| 6.4.2 个体神经网络分类数量的研究 |
| 6.4.3 粒子群规模对集成的影响 |
| 6.4.4 并行计算的优势 |
| 6.5 本章小结 |
| 第七章 并行神经网络集成在虚拟仿人机器人平台的应用 |
| 7.1 引言 |
| 7.2 虚拟仿人机器人平台设计的相关基础 |
| 7.2.1 仿人机器人原型 |
| 7.2.2 实验室网格平台 |
| 7.2.3 混合神经网络计算平台 |
| 7.3 虚拟仿人机器人平台 |
| 7.3.1 虚拟仿人机器人VHR |
| 7.3.2 仿人机器人三维实时仿真系统 |
| 7.4 基于并行神经网络集成的人脸识别 |
| 7.4.1 基于特征脸算法的人脸特征提取和降维 |
| 7.4.2 基于并行神经网络集成的分类判别 |
| 7.4.3 功能机器人合作控制 |
| 7.5 实验与分析 |
| 7.5.1 实验配置 |
| 7.5.2 实验结果 |
| 7.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（6）同行评议项目分组与申请代码和关键词的选择（论文提纲范文）
| 1 申请代码的结构与含义 |
| 2 信息科学一处项目分组简介 |
| 2.1 项目分组名称规范 |
| 2.2 两种分组方式的比较 |
| 3 申请代码与关键词的选择 |
| 3.1 申请代码的选择 |
| 3.2 关键词的确定 |
（7）基于进化计算和支持向量机的人脸识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 插图索引 |
| 附表索引 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 人脸识别系统 |
| 1.3 人脸识别研究现状和应用前景 |
| 1.3.1 国内外人脸识别研究现状 |
| 1.3.2 人脸识别应用前景 |
| 1.4 进化计算研究现状 |
| 1.5 本文研究工作 |
| 第2章 人脸识别方法综述 |
| 2.1 人脸图像预处理方法 |
| 2.1.1 灰度归一化 |
| 2.1.2 尺度归一化 |
| 2.2 人脸图像的特征提取方法 |
| 2.2.1 特征脸方法 |
| 2.2.2 Gabor变换 |
| 2.2.3 基于核的非线性子空间方法 |
| 2.3 人脸确认识别方法 |
| 2.3.1 基于几何特征的方法 |
| 2.3.2 基于人工神经网络的方法 |
| 2.3.3 基于弹性图匹配的方法 |
| 2.4 本章小结 |
| 第3章 典型的进化计算方法及其改进 |
| 3.1 粒子群优化算法 |
| 3.1.1 基本原理 |
| 3.1.2 算法流程 |
| 3.2 混沌理论 |
| 3.2.1 混沌理论的发展 |
| 3.2.2 混沌的定义 |
| 3.2.3 混沌运动的特征 |
| 3.2.4 混沌运动的判断准则 |
| 3.2.5 常用混沌模型 |
| 3.3 改进的混沌粒子群算法 |
| 3.4 仿真实验结果及分析 |
| 3.5 本章小结 |
| 第4章 基于混沌粒子群的支持向量机训练方法 |
| 4.1 支持向量机 |
| 4.1.1 线性可分支持向量机 |
| 4.1.2 非线性可分支持向量机 |
| 4.2 训练支持向量机的常用方法 |
| 4.2.1 分块(Chunking)方法 |
| 4.2.2 分解算法 |
| 4.2.3 序列最小优化算法 |
| 4.3 利用混沌粒子群训练支持向量机的方法 |
| 4.4 仿真实验及结果分析 |
| 4.4.1 CPSO-SVM人脸识别实验 |
| 4.4.2 SMO-SVM人脸识别实验 |
| 4.5 本章小结 |
| 总结与展望 |
| 1 本文总结 |
| 2 今后工作展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读硕士学位期间所发表的论文 |
（8）中国图像工程:2008（论文提纲范文）
| 1 引 言 |
| 2 综述目的 |
| 3 刊物选取 |
| 4 文献选取和分类 |
| 5 文献分类统计结果和讨论 |
| 5.1 14年图像工程文献选取和分类概况比较 |
| 5.2 2008年各刊图像工程文献刊载情况 |
| 5.3 2008年各刊图像工程文献详细分类情况 |
| 6 结 论 |
（9）基于Gabor小波变换与分形维的人脸情感识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 人脸情感识别的研究内容 |
| 1.3.2 该领域的研究进展 |
| 1.4 本文主要研究内容和研究思路 |
| 1.4.1 主要研究内容 |
| 1.4.2 研究思路 |
| 1.5 本文的章节安排 |
| 第二章 人脸图像预处理 |
| 2.1 人脸情感图像的分割与去噪 |
| 2.1.1 人脸子区域的分割 |
| 2.1.2 情感图像的去噪 |
| 2.2 情感图像的归一化 |
| 2.2.1 尺度归一化 |
| 2.2.2 灰度归一化 |
| 2.3 情感图像的网格化 |
| 2.4 小结 |
| 第三章 人脸情感特征提取 |
| 3.1 概述 |
| 3.2 GABOR 小波变换提取特征 |
| 3.2.1 Gabor 变换概述 |
| 3.2.2 Gabor 小波变换提取人脸情感特征 |
| 3.3 分形维提取特征 |
| 3.3.1 概述 |
| 3.3.2 分形的特征 |
| 3.3.3 分形维 |
| 3.3.4 分形维提取人脸情感特征 |
| 3.4 小结 |
| 第四章 人脸情感分类 |
| 4.1 分类方法概述 |
| 4.2 脸部表情分类 |
| 4.2.1 特征数据的归一化 |
| 4.2.2 BP 神经网络情感分类 |
| 4.2.3 RBF 神经网络情感分类 |
| 4.3 小结 |
| 第五章 实验结果及分析 |
| 5.1 实验的软硬件环境 |
| 5.2 实验所使用的对象图库 |
| 5.3 分类实验结果分析 |
| 5.3.1 预处理实验结果分析 |
| 5.3.2 情感特征提取实验结果分析 |
| 5.3.3 情感分类实验结果分析 |
| 5.4 小结 |
| 第六章 结论与展望 |
| 6.1 总结 |
| 6.2 进一步工作及展望 |
| 参考文献 |
| 致谢 |
| 附录（发表论文及参与科研项目情况） |
（10）人脸识别理论关键技术的研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 人脸检测识别的研究现状 |
| 1.3 人脸检测识别研究存在的主要问题和对策 |
| 1.4 本文的工作 |
| 2 基于子图像信息融合的复杂背景的人脸检测 |
| 2.1 引言 |
| 2.2 人脸检测的本质 |
| 2.3 彩色图像的肤色分割 |
| 2.4 多尺度子图像 |
| 2.5 子图像信息融合 |
| 2.6 子图像人脸检测 |
| 2.7 原图像人脸定位 |
| 2.8 小结 |
| 3 基于支持向量机的复杂背景的人脸检测 |
| 3.1 引言 |
| 3.2 统计学习的本质 |
| 3.3 核函数 |
| 3.4 支持向量机 |
| 3.5 基于支持向量机的人脸检测 |
| 3.6 小结 |
| 4 决策级融合的人脸检测及图像规范化 |
| 4.1 引言 |
| 4.2 信息融合 |
| 4.3 决策级信息融合的人脸检测 |
| 4.4 几何规范化 |
| 4.5 灰度规范化 |
| 4.6 小结 |
| 5 基于仿生模式的人脸识别 |
| 5.1 引言 |
| 5.2 人脸识别的本质 |
| 5.3 统计模式人脸识别 |
| 5.4 传统统计模式人脸识别的局限性 |
| 5.5 仿生人脸模式识别的基点--样本分布的连续性 |
| 5.6 仿生人脸模式识别的数学模型 |
| 5.7 仿生人脸模式识别 |
| 5.8 小结 |
| 6 基于局部特征的人脸识别 |
| 6.1 引言 |
| 6.2 人脸局部特征 |
| 6.3 基于局部特征人脸识别的训练 |
| 6.4 基于局部特征人脸识别 |
| 6.5 小结 |
| 7 实验结果及分析 |
| 7.1 引言 |
| 7.2 人脸检测识别实验结果 |
| 7.3 人脸检测识别实验结果分析 |
| 7.4 小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士学位期间科研及学术论文情况 |
| 致谢 |
四、人脸表情的混沌仿生识别（论文参考文献）
- [1]人脸表情自动识别系统[D]. 陈辉. 西南交通大学, 2005(06)
- [2]人脸表情的混沌仿生识别[J]. 陈辉,张家树. 仪器仪表学报, 2004(S1)
- [3]人脸表情的混沌仿生识别[A]. 陈辉,张家树. 第二届全国信息获取与处理学术会议论文集, 2004(总第116期)
- [4]基于细菌觅食算法的图像处理[D]. 关良华. 湖南工业大学, 2017(01)
- [5]神经网络集成分类方法及其在并行计算环境中的应用研究[D]. 王征宇. 华南理工大学, 2015(04)
- [6]同行评议项目分组与申请代码和关键词的选择[J]. 熊小芸. 电子与信息学报, 2011(01)
- [7]基于进化计算和支持向量机的人脸识别算法研究[D]. 孙向风. 兰州理工大学, 2010(04)
- [8]中国图像工程:2008[J]. 章毓晋. 中国图象图形学报, 2009(05)
- [9]基于Gabor小波变换与分形维的人脸情感识别[D]. 胡秀丽. 长沙理工大学, 2008(12)
- [10]人脸识别理论关键技术的研究[D]. 何坤. 四川大学, 2006(02)