用于图像复原的模块化神经网络研究及优化
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 图像复原研究现状 | 第10-11页 |
| 1.2.2 MNN研究现状 | 第11-12页 |
| 1.2.3 论文的组织结构 | 第12-13页 |
| 第2章 图像复原概述 | 第13-17页 |
| 2.1 图像复原的概念 | 第13页 |
| 2.2 图像复原问题的一般模型 | 第13-15页 |
| 2.3 本章小结 | 第15-17页 |
| 第3章 神经网络基础 | 第17-32页 |
| 3.1 人工神经网络 | 第17-24页 |
| 3.1.1 人工神经元模型 | 第17-18页 |
| 3.1.2 前馈感知器网络模型 | 第18-20页 |
| 3.1.3 BP学习算法 | 第20-23页 |
| 3.1.4 BP神经网缺陷分析 | 第23-24页 |
| 3.2 模块化神经网络 | 第24-31页 |
| 3.2.1 模块化神经网络的概念 | 第24页 |
| 3.2.2 模块化神经网络的优势 | 第24-26页 |
| 3.2.3 模块化神经网络理论分析 | 第26-28页 |
| 3.2.4 模块化神经网络设计方法 | 第28-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第4章 基于改进算法的模块化神经网络子网研究 | 第32-44页 |
| 4.1 基于遗传算法改进的BP神经网络 | 第32-35页 |
| 4.1.1 遗传算法概述 | 第32-33页 |
| 4.1.2 GA-BP算法原理 | 第33-34页 |
| 4.1.3 用于图像复原的GA-BP算法设计 | 第34-35页 |
| 4.2 基于粒子群优化算法改进的BP神经网络 | 第35-39页 |
| 4.2.1 粒子群优化算法概述 | 第35-37页 |
| 4.2.2 PSO-BP算法原理 | 第37-38页 |
| 4.2.3 用于图像复原的PSO-BP算法设计 | 第38-39页 |
| 4.3 子网性能对比实验 | 第39-42页 |
| 4.4 本章小结 | 第42-44页 |
| 第5章 模块化神经网络在图像复原中的应用 | 第44-62页 |
| 5.1 模块化神经网络的实现 | 第44-50页 |
| 5.1.1 子网结构设计 | 第45-47页 |
| 5.1.2 子网生成 | 第47-48页 |
| 5.1.3 子网整合 | 第48-49页 |
| 5.1.4 网络训练 | 第49页 |
| 5.1.5 网络性能分析 | 第49-50页 |
| 5.2 图像的质量评价 | 第50-55页 |
| 5.2.1 图像质量的主观评价 | 第51页 |
| 5.2.2 图像质量的客观评价 | 第51-55页 |
| 5.3 实验结果及分析 | 第55-57页 |
| 5.4 网络优化改进 | 第57-61页 |
| 5.5 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第69-71页 |
| 致谢 | 第71页 |
