| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 神经网络与深度学习的发展历史 | 第12-15页 |
| 1.3 UUV动态规划发展现状 | 第15-16页 |
| 1.4 深度学习动态规划发展现状 | 第16-18页 |
| 1.5 研究内容和方法 | 第18-19页 |
| 1.6 论文章节安排 | 第19-20页 |
| 第2章 教师系统静态规划算法设计 | 第20-32页 |
| 2.1 引言 | 第20页 |
| 2.2 障碍环境模型的构建 | 第20-28页 |
| 2.2.1 几何模型的数据形式 | 第21页 |
| 2.2.2 几何模型的膨化方法 | 第21-24页 |
| 2.2.3 几何模型的可视图构建 | 第24-28页 |
| 2.3 已知障碍环境下蚁群算法的规划实现 | 第28-30页 |
| 2.3.1 信息素更新规则 | 第28-29页 |
| 2.3.2 状态转移规则 | 第29页 |
| 2.3.3 蚁群算法静态规划及仿真实验 | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第3章 教师系统动态规划策略设计 | 第32-48页 |
| 3.1 引言 | 第32页 |
| 3.2 动态规划的定义及关键问题 | 第32-33页 |
| 3.3 遭遇静态障碍物的动态规划策略 | 第33-36页 |
| 3.3.1 策略特点 | 第33-34页 |
| 3.3.2 仿真验证 | 第34-36页 |
| 3.4 遭遇运动障碍时的动态规划策略 | 第36-46页 |
| 3.4.1 关键名词描述 | 第37-38页 |
| 3.4.2 相向航行的动态规划策略 | 第38-40页 |
| 3.4.3 同向航行的动态规划策略 | 第40-46页 |
| 3.5 教师系统动态规划仿真实验 | 第46-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 深度学习模型分析和动态规划基本模型选取 | 第48-76页 |
| 4.1 引言 | 第48页 |
| 4.2 深度神经网络要素构成与改进 | 第48-62页 |
| 4.2.1 激活函数 | 第49-52页 |
| 4.2.2 损失函数 | 第52-54页 |
| 4.2.3 标准梯度下降反向传播算法 | 第54-59页 |
| 4.2.4 梯度下降反向传播算法改进与验证 | 第59-62页 |
| 4.3 深度网络基本模型结构分析 | 第62-72页 |
| 4.3.1 栈式自编码神经网络(SANN) | 第64-67页 |
| 4.3.2 卷积神经网络(CNN) | 第67-70页 |
| 4.3.3 循环神经网络(RNN) | 第70-72页 |
| 4.4 动态规划深度学习模型优选方案 | 第72-74页 |
| 4.5 本章小结 | 第74-76页 |
| 第5章 基于LSTM-RNN的UUV动态规划设计 | 第76-98页 |
| 5.1 引言 | 第76页 |
| 5.2 UUV动态规划样本数据集构建 | 第76-80页 |
| 5.2.1 模拟感知器设计和样本采集 | 第76-79页 |
| 5.2.2 样本集处理 | 第79-80页 |
| 5.3 基于LSTM-RNN的UUV动态规划网络结构设计 | 第80-88页 |
| 5.3.1 LSTM-RNN网络结构 | 第80-82页 |
| 5.3.2 LSTM-RNN网络权值更新模型 | 第82-86页 |
| 5.3.3 UUV动态规划LSTM-RNN结构设计 | 第86-88页 |
| 5.3.4 UUV动态规划LSTM-RNN训练 | 第88页 |
| 5.4 LSTM-RNN动态规划仿真验证 | 第88-97页 |
| 5.5 本章小结 | 第97-98页 |
| 结论 | 第98-100页 |
| 参考文献 | 第100-104页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第104-106页 |
| 致谢 | 第106页 |