| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 网络结构 | 第11-13页 |
| 1.2.2 训练算法 | 第13-14页 |
| 1.2.3 表达能力 | 第14-15页 |
| 1.3 本文主要研究内容及章节安排 | 第15-17页 |
| 第2章 卷积神经网络基础理论 | 第17-34页 |
| 2.1 引言 | 第17-18页 |
| 2.2 网络结构 | 第18-23页 |
| 2.2.1 卷积层 | 第18-19页 |
| 2.2.2 池化层 | 第19-21页 |
| 2.2.3 激活函数 | 第21-23页 |
| 2.3 监督方式 | 第23-24页 |
| 2.4 正则化方式 | 第24-27页 |
| 2.5 GoogLeNet模型 | 第27-30页 |
| 2.6 D-S证据理论 | 第30-33页 |
| 2.6.1 证据理论方法 | 第30-31页 |
| 2.6.2 证据合成规则 | 第31-33页 |
| 2.7 本章小结 | 第33-34页 |
| 第3章 基于D-S证据理论和GoogLeNet的目标分类算法 | 第34-42页 |
| 3.1 引言 | 第34页 |
| 3.2 GoogLeNet模型多分类器结构 | 第34-36页 |
| 3.3 证据合成的改进算法 | 第36-39页 |
| 3.4 仿真结果与分析 | 第39-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 基于GoogLeNet模型剪枝的目标分类算法 | 第42-53页 |
| 4.1 引言 | 第42-43页 |
| 4.2 剪枝原理 | 第43-49页 |
| 4.2.1 剪枝算法 | 第43-45页 |
| 4.2.2 剪枝流程 | 第45-47页 |
| 4.2.3 卷积神经网络的定量分析 | 第47-49页 |
| 4.3 仿真分析 | 第49-52页 |
| 4.3.1 卷积层的剪枝 | 第49-50页 |
| 4.3.2 Inception模块的剪枝 | 第50-51页 |
| 4.3.3 整体网络剪枝 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 总结和展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-64页 |
| 附录 | 第64页 |