| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究的背景及意义 | 第9-10页 |
| 1.2 人工神经网络的现状及发展趋势 | 第10-12页 |
| 1.3 深度学习发展及其研究现状 | 第12-13页 |
| 1.4 卷积神经网络的发展 | 第13-14页 |
| 1.5 深度信念网络的发展 | 第14页 |
| 1.6 主要研究工作及章节安排 | 第14-17页 |
| 1.6.1 主要研究工作 | 第14-15页 |
| 1.6.2 论文章节安排 | 第15-17页 |
| 第二章 深度学习理论 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 深度学习的网络结构 | 第17-23页 |
| 2.2.1 卷积神经网络 | 第18-19页 |
| 2.2.2 深度信念网络 | 第19-20页 |
| 2.2.3 卷积深度信念网络 | 第20页 |
| 2.2.4 深度玻尔兹曼机 | 第20-21页 |
| 2.2.5 栈式自动编码器 | 第21-23页 |
| 2.3 限制性玻尔兹曼机 | 第23-27页 |
| 2.3.1 限制性玻尔兹曼机结构 | 第23-25页 |
| 2.3.2 限制性玻尔兹曼机的训练过程 | 第25-27页 |
| 2.4 卷积限制性玻尔兹曼机 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于卷积神经网络的苹果表面病变图像识别 | 第29-48页 |
| 3.1 卷积神经网络 | 第29-35页 |
| 3.1.1 卷积神经网络的结构 | 第29-31页 |
| 3.1.2 卷积神经网络的训练过程 | 第31-35页 |
| 3.2 支持向量机 | 第35-41页 |
| 3.2.1 支持向量机概述 | 第35-36页 |
| 3.2.2 支持向量机的原理 | 第36-41页 |
| 3.3 卷积神经网络和支持向量机的混合模型 | 第41-42页 |
| 3.3.1 混合模型的结构 | 第41-42页 |
| 3.3.2 混合模型的优势 | 第42页 |
| 3.4 基于混合模型的苹果图像病变情况的识别 | 第42-44页 |
| 3.4.1 苹果图像数据集简介 | 第42-43页 |
| 3.4.2 混合模型的网络结构 | 第43-44页 |
| 3.5 实验结果与分析 | 第44-47页 |
| 3.5.1 卷积神经网络层的结果可视化 | 第44-45页 |
| 3.5.2 混合模型的效果分析 | 第45-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 基于深度信念网络的苹果表面病变图像识别 | 第48-62页 |
| 4.1 数据预处理 | 第48-51页 |
| 4.1.1 数据归一化 | 第48-49页 |
| 4.1.2 白化 | 第49-50页 |
| 4.1.3 数据模块化 | 第50-51页 |
| 4.2 深度信念网络与支持向量机混合模型的分类方法 | 第51-54页 |
| 4.2.1 数据初始化 | 第51页 |
| 4.2.2 混合模型概述 | 第51-52页 |
| 4.2.3 混合模型的训练以及分类 | 第52-54页 |
| 4.3 实验结果以及分析 | 第54-61页 |
| 4.3.1 网络参数对于实验结果的影响 | 第55-58页 |
| 4.3.2 支持向量机参数研究 | 第58-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 基于卷积深度信念网络的苹果表面病变图像识别 | 第62-70页 |
| 5.1 无监督预训练 | 第62页 |
| 5.2 无监督学习与有监督学习的混合使用 | 第62-63页 |
| 5.3 卷积与池化 | 第63-64页 |
| 5.4 Softmax分类器 | 第64-65页 |
| 5.5 基于卷积深度信念网络的苹果图像识别 | 第65-67页 |
| 5.6 实验结果以及分析 | 第67-69页 |
| 5.7 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70页 |
| 6.2 展望 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 附录1 攻读硕士学位期间发表的论文 | 第75-76页 |
| 附录2 攻读硕士学位期间申请的专利 | 第76-77页 |
| 致谢 | 第77页 |