1. 1. 毕业设计（论文）的内容、要求、设计方案、规划等
近年来，随着计算机技术的发展，信息融合技术成为一种新兴的数据处理技术，并已取得了可喜的进展。从处理对象层次的角度，信息融合一般可划分为象素级(低层)融合，特征级(中层)融合和决策级(高层)融合三个层次。目前，在模式识别领域，以多分类器组合为代表的决策级融合技术已受到普遍的关注，并在手写体字符识别等方面取得了较为成功的应用。但是，就特征级的融合而言，目前的研究成果较少。
其实，特征级融合在信息融合过程中占有十分重要的地位。特征级融合的优点是即保留了参与融合的多特征的有效鉴别信息，又很大程度上消除了信息的冗余，实现了可观的信息压缩，从而有利于信息的实时处理。
目前, 有关特征级的融合的传统方法(也是最为常用的方法)是，将两组特征向量首尾相连生成一个超级向量(supervector)作为新的特征向量，然后再进行特征抽取，我们称之为串行融合方法。尽管这种方法在多数情况下能有效地提高识别率，但其缺点也是明显的。其一，由于特征合并后的维数是两原始特征的维数之和，这就导致了合并后新特征的维数急剧增加，从而使得组合后特征抽取或识别的速度大幅度的降低；其二，在人脸识别等小样本问题中，合并后特征向量维数的增加常常导致类内散布矩阵出现奇异的情况，这就为线性鉴别特征的抽取造成困难。
2. 参考文献（不低于12篇）
1．Juwei Lu, K.N. Plataniotis, and A.N. Venetsanopoulos. Face Recognition Using Kernel Direct Discriminant Analysis Algorithms.IEEE Transactions on Neural Networks, 2003, 14(1): 117-126,
2．K.-R. Mller, S.Mika, G.Rtsch, K.Tsuda, and B.Schlkopf. An introduction to kernel-based learning algorithms. IEEE Transactions on Neural Networks, 2001，12(2):181-201.
3. Li Yong-zhi, Yang Jing-yu An Effcient Feature Extraction Method Based on Kernel Maximum Margin Criterion Proceedings of the 3rd International Conference on Impulsive Dynamic Systems and Applications, (2006)PP: 1254-1258 (SCI检索)
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
