| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 研究背景及研究意义 | 第10-14页 |
| 1.1.1 研究背景 | 第10-13页 |
| 1.1.2 研究内容及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-21页 |
| 1.2.1 国外研究现状 | 第14-18页 |
| 1.2.2 国内研究现状 | 第18-21页 |
| 1.3 论文目录安排 | 第21-22页 |
| 第二章 卷积神经网络的原理及数学模型 | 第22-33页 |
| 2.1 卷积神经网络模型 | 第22-29页 |
| 2.2 误差反向传播算法(BACKPROPAGATION,BP) | 第29-31页 |
| 2.3 基于深度学习的超分辨率重建 | 第31-33页 |
| 第三章 神经网络压缩 | 第33-50页 |
| 3.1 神经网络权值分布特征 | 第33-35页 |
| 3.2 压缩算法 | 第35-40页 |
| 3.2.1 传统k-means聚类算法 | 第35页 |
| 3.2.2 改进的K-means算法 | 第35-36页 |
| 3.2.3 全连接层分块聚类 | 第36-38页 |
| 3.2.4 卷积层分块聚类 | 第38-39页 |
| 3.2.5 误差修正 | 第39-40页 |
| 3.3 改进的k-means算法的复杂度分析 | 第40-49页 |
| 3.3.1 压缩后网络训练过程 | 第43-44页 |
| 3.3.2 神经网络压缩结果 | 第44-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第四章 改进的激活函数研究 | 第50-60页 |
| 4.1 卷积层滤波器分析 | 第50-53页 |
| 4.2 带参数的级联激活函数 | 第53-59页 |
| 4.2.1 带可训练参数的激活函数(PReLU) | 第53-54页 |
| 4.2.2 级联的激活函数(CReLU) | 第54-56页 |
| 4.2.3 PCReLU训练参数更新 | 第56-57页 |
| 4.2.4 仿真结果 | 第57-59页 |
| 4.3 本章小结 | 第59-60页 |
| 第五章 超分辨率重建的研究 | 第60-80页 |
| 5.1 超分辨率重建模型 | 第60-62页 |
| 5.2 反卷积网络(DeconvolutionalNetworks) | 第62-69页 |
| 5.2.1 反卷积运算 | 第62-63页 |
| 5.2.2 反卷积图像重建 | 第63-66页 |
| 5.2.3 反卷积图像重建仿真 | 第66-69页 |
| 5.3 残差反卷积网络 | 第69-79页 |
| 5.3.1 网络结构 | 第69-71页 |
| 5.3.2 RDN模型原理 | 第71-73页 |
| 5.3.3 RDN仿真结果 | 第73-75页 |
| 5.3.4 神经网络在移动端的应用 | 第75-79页 |
| 5.4 本章小结 | 第79-80页 |
| 第六章 总结与展望 | 第80-82页 |
| 6.1 总结 | 第80-81页 |
| 6.2 后续工作与展望 | 第81-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-88页 |
| 攻读硕士学位期间取得的成果 | 第88页 |