第1章 引言
1.1 背景介紹和研究意義 1
1.1.1 特征描述 2
1.1.2 分類器設(shè)計 3
1.1.3 分類器自適應(yīng) 5
1.1.4 大類別集漢字識別 6
1.2 本書主要內(nèi)容及貢獻 7
1.3 本書組織結(jié)構(gòu) 10
第2章 基于加權(quán)Fisher準(zhǔn)則的大類別集降維
2.1 引言 12
2.2 FDA和類別可分性問題 16
2.2.1 第一步：白化（whitening） 17
2.2.2 第二步：白化空間的PCA 18
2.2.3 類別可分性問題 18
2.3 加權(quán)Fisher準(zhǔn)則 20
2.3.1 加權(quán)函數(shù) 22
2.3.2 加權(quán)空間 27
2.4 對不同加權(quán)Fisher準(zhǔn)則的評估 29
2.4.1 數(shù)據(jù)集 30
2.4.2 分類器 31
2.4.3 實驗設(shè)置 33
2.4.4 實驗結(jié)果 33
2.4.5 統(tǒng)計顯著性 38
2.4.6 五種加權(quán)函數(shù)的比較 40
2.4.7 計算復(fù)雜度比較 40
2.4.8 三種加權(quán)空間的比較 43
2.4.9 空間不變性 45
2.4.10 形近字分析 46
2.5 樣本級別的加權(quán)Fisher準(zhǔn)則 47
2.5.1 SKNN：樣本級別的KNN方法 48
2.5.2 漢字識別中的其他降維方法 49
2.5.3 性能評估 51
2.6 本章小結(jié) 54
第3章 基于局部平滑的修正二次判別函數(shù)
3.1 引言 56
3.1.1 二次判別函數(shù)QDF 56
3.1.2 修正二次判別函數(shù)MQDF 58
3.2 對MQDF的改進 59
3.3 局部平滑的修正二次判別函數(shù)LSMQDF 60
3.3.1 極大似然估計 61
3.3.2 局部平滑：LSMQDF 62
3.3.3 局部平滑與全局平滑 64
3.4 實驗結(jié)果 65
3.4.1 LSMQDF用于脫機識別 65
3.4.2 不同維數(shù)的影響 67
3.4.3 不同訓(xùn)練數(shù)據(jù)量的影響 68
3.4.4 對K的選擇 68
3.4.5 對β的選擇 69
3.4.6 LSMQDF用于聯(lián)機識別 70
3.5 本章小結(jié) 71
第4章 基于風(fēng)格遷移映射的分類器自適應(yīng)
4.1 引言 73
4.2 歷史回顧 76
4.3 風(fēng)格遷移映射 80
4.4 源點集和目標(biāo)點集 83
4.4.1 源點集 83
4.4.2 LVQ的目標(biāo)點集 84
4.4.3 MQDF的目標(biāo)點集 86
4.5 置信度估計 88
4.6 分類器自適應(yīng) 91
4.6.1 監(jiān)督的自適應(yīng) 91
4.6.2 非監(jiān)督的自適應(yīng) 93
4.6.3 半監(jiān)督的自適應(yīng) 94
4.7 實驗結(jié)果 96
4.7.1 數(shù)據(jù)庫 96
4.7.2 實驗設(shè)置 98
4.7.3 LVQ自適應(yīng) 100
4.7.4 MQDF自適應(yīng) 103
4.7.5 置信度估計的影響 109
4.7.6 對STM和MLLR的比較 111
4.7.7 模型參數(shù)選擇 113
4.8 本章小結(jié) 117
第5章 基于風(fēng)格歸一化的模式域分類
5.1 引言 119
5.2 模式域分類簡介120
5.2.1 歷史回顧 122
5.2.2 本章工作 123
5.3 貝葉斯模式域分類 124
5.3.1 基本假設(shè) 125
5.3.2 模型定義 126
5.3.3 對未知樣本的預(yù)測 128
5.3.4 優(yōu)化 130
5.3.5 特殊情況 131
5.4 實驗結(jié)果 134
5.4.1 不同姿態(tài)下的人臉識別 135
5.4.2 多說話者元音分類 136
5.4.3 多書寫人手寫字符識別 138
5.5 本章小結(jié) 140
第6章 總結(jié)和展望
6.1 本書研究成果 142
6.2 未來工作展望 145