| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 CNN模型 | 第12-13页 |
| 1.2.2 图片识别与其他的深度学习模型 | 第13-14页 |
| 1.2.3 提升算法 | 第14-15页 |
| 1.3 文献评述 | 第15-17页 |
| 1.4 论文结构 | 第17-18页 |
| 第二章 神经网络理论 | 第18-36页 |
| 2.1 神经网络的基本概念 | 第18-24页 |
| 2.1.1 神经元 | 第18-21页 |
| 2.1.2 神经网络的结构 | 第21-22页 |
| 2.1.3 神经网络的学习 | 第22-24页 |
| 2.2 BP神经网络 | 第24-29页 |
| 2.3 CNN模型 | 第29-32页 |
| 2.4 Google Inception Net模型 | 第32-36页 |
| 第三章 XGBoost原理 | 第36-46页 |
| 3.1 目标函数 | 第36页 |
| 3.2 基分类器—CART | 第36-38页 |
| 3.3 XGBoost原理 | 第38-42页 |
| 3.4 XGBoost与其他集成算法 | 第42-46页 |
| 第四章 构建XGBoost-CNN模型 | 第46-60页 |
| 4.1 XGBoost-CNN模型 | 第46-49页 |
| 4.2 模型的创新之处 | 第49-52页 |
| 4.3 图片识别分析 | 第52-60页 |
| 4.3.1 MNIST数据集分析 | 第52-57页 |
| 4.3.2 花卉图片数据集分析 | 第57-60页 |
| 第五章 基于XGBoost-CNN模型的肝癌CT图片识别 | 第60-74页 |
| 5.1 数据描述与处理 | 第60-63页 |
| 5.2 基分类器CNN的分类效果 | 第63-68页 |
| 5.3 XGBoost-CNN模型的分类效果 | 第68-72页 |
| 5.4 小结 | 第72-74页 |
| 第六章 总结及展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 附录 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 致谢 | 第80页 |