基于改进卷积神经网络的藻类图像分类研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 图像分类技术 | 第9-10页 |
| 1.2.2 藻类识别研究现状 | 第10-11页 |
| 1.2.3 深度学习图像分类算法 | 第11页 |
| 1.3 论文内容安排 | 第11-13页 |
| 第二章 无透镜全息成像预处理技术 | 第13-22页 |
| 2.1 淡水藻类图像采集 | 第13-16页 |
| 2.2 数字全息图像再现 | 第16-18页 |
| 2.2.1 菲涅尔衍射积分再现算法 | 第16-17页 |
| 2.2.2 共轭像迭代消除算法 | 第17-18页 |
| 2.3 淡水藻类图像样本集 | 第18-20页 |
| 2.4 本章小结 | 第20-22页 |
| 第三章 卷积神经网络和极限学习机概述 | 第22-37页 |
| 3.1 卷积神经网络 | 第22-29页 |
| 3.2 ELM极限学习机 | 第29-31页 |
| 3.2.1 ELM算法简介 | 第30-31页 |
| 3.3 CNN-ELM网络模型结构 | 第31-36页 |
| 3.3.1 深度学习机算法流程 | 第32-33页 |
| 3.3.2 实验结果与分析 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于?1范数的深度学习机优化算法 | 第37-50页 |
| 4.1 一种鲁棒自适应随机梯度算法 | 第37-40页 |
| 4.1.1 方向切线近似 | 第37-39页 |
| 4.1.2 随机情况下的自适应步长 | 第39-40页 |
| 4.2 主成分分析法 | 第40-42页 |
| 4.2.1 PCA主要计算过程 | 第40-42页 |
| 4.2.2 藻类图像PCA池化实验效果 | 第42页 |
| 4.3 藻类图像分割技术 | 第42-45页 |
| 4.4 基于稳健回归算法的ELM | 第45-49页 |
| 4.4.1 基于?1范数的ELM稳健回归算法 | 第45-47页 |
| 4.4.2 数值验证实验 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 实验与结果分析 | 第50-58页 |
| 5.1 淡水藻类图像集 | 第50-51页 |
| 5.2 实验运行环境及参数选取 | 第51-53页 |
| 5.2.1 自适应学习率 | 第52页 |
| 5.2.2 PCA池化参数选取 | 第52-53页 |
| 5.3 网络模型参数选取 | 第53-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 论文的主要研究内容及成果 | 第58页 |
| 6.2 拟进一步开展的工作 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 发表论文和参加科研情况说明 | 第64-65页 |
| 致谢 | 第65-66页 |
