| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 宫颈细胞图像研究发展现状 | 第9-10页 |
| 1.3 本论文研究采用的数据集 | 第10页 |
| 1.4 卷积神经网络研究现状 | 第10-11页 |
| 1.5 本论文的结构安排 | 第11-13页 |
| 第2章 人工神经网络和卷积神经网络理论与结构 | 第13-29页 |
| 2.1 引言 | 第13页 |
| 2.2 人工神经网络 | 第13-19页 |
| 2.2.1 神经元 | 第13页 |
| 2.2.2 感知机模型 | 第13-14页 |
| 2.2.3 多层感知机 | 第14-15页 |
| 2.2.4 前向传播 | 第15-17页 |
| 2.2.5 反向传播 | 第17-19页 |
| 2.3 卷积神经网络 | 第19-28页 |
| 2.3.1 卷积概念及运算 | 第22页 |
| 2.3.2 下采样(pooling) | 第22-23页 |
| 2.3.3 卷积神经网络反向传播过程 | 第23-25页 |
| 2.3.4 softmax分类器 | 第25-27页 |
| 2.3.5 Dropout | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 不同卷积神经网络结构应用宫颈细胞识别 | 第29-38页 |
| 3.1 引言 | 第29页 |
| 3.2 宫颈细胞图像分类库 | 第29-30页 |
| 3.3 卷积神经网络模型的改进方法 | 第30-31页 |
| 3.4 本章改进的网络模型 | 第31-33页 |
| 3.4.1 本章改进结构一(CNNet1) | 第31-32页 |
| 3.4.2 本章改进结构二(CNNet2) | 第32页 |
| 3.4.3 本章改进结构三(CNNet3) | 第32-33页 |
| 3.5 仿真实验结果与分析 | 第33-37页 |
| 3.5.1 LeNet-5在宫颈细胞数据集上相关仿真实验及分析 | 第33-34页 |
| 3.5.2 改进模型CNNet1在宫颈细胞数据集上相关仿真实验及分析 | 第34-35页 |
| 3.5.3 改进模型CNNet2在宫颈细胞数据集上相关仿真实验及分析 | 第35-36页 |
| 3.5.4 改进模型CNNet3在宫颈细胞数据集上相关仿真实验及分析 | 第36页 |
| 3.5.5 仿真结果分析 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 卷积神经网络的识别性能的影响因素研究 | 第38-45页 |
| 4.1 引言 | 第38页 |
| 4.2 卷积神经网络构造方法选择与分析 | 第38-44页 |
| 4.2.1 卷积核尺寸的选择 | 第38-39页 |
| 4.2.2 下采样层函数的选择 | 第39-40页 |
| 4.2.3 网络激活函数的选择 | 第40-42页 |
| 4.2.4 训练样本集数量分析 | 第42-44页 |
| 4.3 本章小节 | 第44-45页 |
| 第5章 改进的卷积神经网络在宫颈细胞中的病变识别 | 第45-52页 |
| 5.1 引言 | 第45页 |
| 5.2 网络模型的结构和选择 | 第45-46页 |
| 5.2.1 卷积核尺寸的选择 | 第45-46页 |
| 5.2.2 卷积核数量的选择 | 第46页 |
| 5.2.3 网络分类器及其他特征参数的选择 | 第46页 |
| 5.3 批度标准化算法 | 第46-48页 |
| 5.3.1 预处理方法的选择 | 第47页 |
| 5.3.2 BN算法详细概述 | 第47-48页 |
| 5.4 宫颈细胞分类网络模型的构造 | 第48-49页 |
| 5.5 仿真实验结果与分析 | 第49-51页 |
| 5.6 本章小结 | 第51-52页 |
| 第6章 总结和展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士期间参与的项目及取得的科研成果 | 第57-58页 |
| 致谢 | 第58-59页 |
