| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 主要研究内容 | 第14-16页 |
| 1.4 论文的组织结构 | 第16页 |
| 1.5 本章小结 | 第16-18页 |
| 第2章 相关技术介绍 | 第18-32页 |
| 2.1 自组织特征映射网络 | 第18-20页 |
| 2.2 卷积神经网络 | 第20-24页 |
| 2.2.1 特点及优势 | 第20-21页 |
| 2.2.2 卷积层 | 第21-22页 |
| 2.2.3 池化层 | 第22-23页 |
| 2.2.4 激活函数 | 第23-24页 |
| 2.2.5 批规范化 | 第24页 |
| 2.3 反向传播 | 第24-26页 |
| 2.4 常见优化器 | 第26-28页 |
| 2.4.1 随机梯度下降法 | 第26-27页 |
| 2.4.2 动量梯度下降法 | 第27页 |
| 2.4.3 RMSprop | 第27-28页 |
| 2.4.4 Adam | 第28页 |
| 2.5 经典分类网络模型 | 第28-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于正则化的卷积神经网络语义排列的研究 | 第32-40页 |
| 3.1 正则化项的构建 | 第32-33页 |
| 3.2 误差的反向传播 | 第33-34页 |
| 3.3 数据集介绍及预处理 | 第34-35页 |
| 3.4 网络结构 | 第35-36页 |
| 3.5 基于正则化的方法实现 | 第36-38页 |
| 3.5.1 实验环境 | 第36页 |
| 3.5.2 网络模型训练 | 第36-38页 |
| 3.6 本章小结 | 第38-40页 |
| 第4章 基于自组织映射的卷积神经网络语义排列的研究 | 第40-48页 |
| 4.1 自组织映射算法与卷积操作的结合 | 第40-41页 |
| 4.2 权值归一化 | 第41-42页 |
| 4.3 窗函数的选择 | 第42页 |
| 4.4 整体算法流程 | 第42-44页 |
| 4.5 基于自组织映射的方法实现 | 第44-46页 |
| 4.5.1 实验环境 | 第44页 |
| 4.5.2 网络模型训练 | 第44-46页 |
| 4.6 本章小结 | 第46-48页 |
| 第5章 实验结果及分析 | 第48-58页 |
| 5.1 评价标准介绍 | 第48-51页 |
| 5.1.1 相邻核的权值分布相似性 | 第48-49页 |
| 5.1.2 类别间的语义距离 | 第49-50页 |
| 5.1.3 通过激活扩散的预测速度 | 第50-51页 |
| 5.2 对比实验设置 | 第51-53页 |
| 5.3 实验结果对比与分析 | 第53-56页 |
| 5.3.1 相邻核的权值分布相似性 | 第53-54页 |
| 5.3.2 类别间的语义距离 | 第54-55页 |
| 5.3.3 通过激活扩散的预测速度 | 第55-56页 |
| 5.4 实验结论及展望 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间所发表的学术论文 | 第64-66页 |
| 致谢 | 第66页 |