基于深度学习的机器人场景识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 移动机器人技术的发展 | 第10-11页 |
| 1.2.2 场景识别研究现状 | 第11-12页 |
| 1.2.3 深度学习的发展及研究现状 | 第12-14页 |
| 1.3 论文主要内容 | 第14-16页 |
| 第2章 深度学习相关技术 | 第16-28页 |
| 2.1 人工神经网络 | 第16-18页 |
| 2.2 深度学习 | 第18-21页 |
| 2.2.1 深度学习概述 | 第18-19页 |
| 2.2.2 深度学习与浅层学习网络比较 | 第19-20页 |
| 2.2.3 深度学习的训练过程 | 第20-21页 |
| 2.3 深度学习模型和方法 | 第21-28页 |
| 2.3.1 自动编码器 | 第21-23页 |
| 2.3.2 限制玻尔兹曼机 | 第23-25页 |
| 2.3.3 稀疏编码 | 第25-26页 |
| 2.3.4 深信度网络 | 第26-28页 |
| 第3章 机器人场景识别系统 | 第28-39页 |
| 3.1 机器人平台 | 第28-30页 |
| 3.1.1 机器人硬件平台 | 第28-29页 |
| 3.1.2 机器人软件平台 | 第29-30页 |
| 3.2 建立机器人场景识别系统 | 第30-39页 |
| 3.2.1 系统总体结构 | 第30-32页 |
| 3.2.2 视觉传感器模块 | 第32页 |
| 3.2.3 位姿系统 | 第32-33页 |
| 3.2.4 激光传感器模块 | 第33-39页 |
| 第4章 基于卷积神经网络的机器人场景识别 | 第39-55页 |
| 4.1 卷积神经网络 | 第39-43页 |
| 4.1.1 卷积神经网络结构 | 第40页 |
| 4.1.2 感受野和权值共享 | 第40-41页 |
| 4.1.3 卷积操作 | 第41-42页 |
| 4.1.4 下采样池化操作 | 第42-43页 |
| 4.1.5 训练过程 | 第43页 |
| 4.2 实验数据集 | 第43-46页 |
| 4.2.1 实验数据集来源 | 第43-45页 |
| 4.2.2 实验数据集预处理 | 第45-46页 |
| 4.3 本文卷积神经网络模型 | 第46-47页 |
| 4.4 实验结果及分析 | 第47-55页 |
| 4.4.1 激活函数分析实验 | 第48-49页 |
| 4.4.2 Dropout技术 | 第49页 |
| 4.4.3 池化层方法分析实验 | 第49-51页 |
| 4.4.4 学习率下降方法分析实验 | 第51页 |
| 4.4.5 不同场景数据集实验 | 第51-55页 |
| 第5章 结论 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 在学研究成果 | 第59-60页 |
| 致谢 | 第60页 |
