| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 选题背景及其意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 DBN理论分析研究现状 | 第10-11页 |
| 1.2.2 DBN模型结构研究现状 | 第11页 |
| 1.2.3 DBN学习算法研究现状 | 第11-12页 |
| 1.2.4 DBN实际应用研究现状 | 第12-13页 |
| 1.3 本课题的主要研究内容 | 第13-15页 |
| 第2章 深度信念网络的概述及实验 | 第15-27页 |
| 2.1 引言 | 第15页 |
| 2.2 玻尔兹曼机的基本模型 | 第15-17页 |
| 2.3 玻尔兹曼机的训练算法 | 第17-20页 |
| 2.3.1 Gibbs采样 | 第18-19页 |
| 2.3.2 对比散度学习算法 | 第19-20页 |
| 2.4 深度信念网络的模型及训练方法 | 第20-21页 |
| 2.5 基于DBN的故障指示器检测实验 | 第21-26页 |
| 2.5.1 故障指示器数据库的建立 | 第21-23页 |
| 2.5.2 故障指示器DBN检测界面的设计 | 第23-24页 |
| 2.5.3 故障指示器DBN检测实验 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于多尺度主线方向特征的DBN图像识别方法 | 第27-35页 |
| 3.1 引言 | 第27页 |
| 3.2 多尺度主线方向特征（MSMD）提取流程 | 第27-30页 |
| 3.2.1 确定图像区域块的方向投影值 | 第27-28页 |
| 3.2.2 计算线方向图和能量图 | 第28-29页 |
| 3.2.3 二值化能量图 | 第29页 |
| 3.2.4 确定主线能量图 | 第29页 |
| 3.2.5 提取主线方向特征 | 第29-30页 |
| 3.3 MSMD-DBN识别方法分析 | 第30页 |
| 3.4 实验结果与分析 | 第30-34页 |
| 3.4.1 CIFAR-10数据上的实验 | 第31-32页 |
| 3.4.2 MNIST数据库上的实验 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于差异稀疏化的DBN图像识别方法及其应用 | 第35-49页 |
| 4.1 引言 | 第35页 |
| 4.2 基于隶属度的差异度量方法 | 第35-37页 |
| 4.2.1 隶属度函数的确定 | 第35-36页 |
| 4.2.2 差异的定义 | 第36-37页 |
| 4.3 D-DBN识别方法 | 第37-40页 |
| 4.3.1 获取图像差异特征 | 第37-38页 |
| 4.3.2 稀疏化差异特征矩阵 | 第38-39页 |
| 4.3.3 D-DBN的训练、测试 | 第39-40页 |
| 4.4 D-DBN算法的实验验证 | 第40-43页 |
| 4.4.1 MNIST库上的实验 | 第40-42页 |
| 4.4.2 SVHN库上的实验 | 第42页 |
| 4.4.3 CIFAR-10库上的实验 | 第42-43页 |
| 4.5 D-DBN算法在绝缘子故障识别中的应用 | 第43-48页 |
| 4.5.1 绝缘子数据库的建立 | 第43-44页 |
| 4.5.2 基于D-DBN的绝缘子故障识别方法 | 第44-45页 |
| 4.5.3 实验结果与分析 | 第45-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第5章 深度信念网络的预处理算法 | 第49-57页 |
| 5.1 引言 | 第49页 |
| 5.2 图像清晰度检测方法 | 第49-50页 |
| 5.3 基于清晰度的图像分割改进算法 | 第50-52页 |
| 5.4 实验结果与分析 | 第52-56页 |
| 5.4.1 图像分割主观评价对比 | 第52-54页 |
| 5.4.2 图像分割客观评价对比 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 结论与展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第63-64页 |
| 致谢 | 第64页 |