基于神经网络的非线性畸变图像的校正和识别技术的研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-9页 |
| 目次 | 第9-12页 |
| 图清单 | 第12-15页 |
| 表目录 | 第15-16页 |
| 1 绪论 | 第16-27页 |
| ·研究背景及意义 | 第16-17页 |
| ·图像畸变类型与原因 | 第17-18页 |
| ·图像畸变校正技术 | 第18-21页 |
| ·传统的畸变图像校正 | 第18-20页 |
| ·基于神经网络的图像校正模型 | 第20-21页 |
| ·图像识别技术 | 第21-26页 |
| ·模式识别 | 第21-23页 |
| ·传统的图像识别 | 第23-25页 |
| ·基于神经网路的图像识别 | 第25-26页 |
| ·本文的研究内容及组织结构 | 第26-27页 |
| 2 人工神经网络 | 第27-36页 |
| ·本章引言 | 第27页 |
| ·人工神经网络的概念 | 第27页 |
| ·神经网络的结构和工作原理 | 第27-34页 |
| ·生物神经元模型 | 第27-28页 |
| ·BP 网络人工神经元模型 | 第28-30页 |
| ·神经网络的结构 | 第30-31页 |
| ·神经网络的学习规则 | 第31-34页 |
| ·神经网络的发展和应用 | 第34-36页 |
| ·神经网络的发展 | 第34页 |
| ·神经网络的应用 | 第34-36页 |
| 3 基于神经网络的非线性畸变图像校正技术 | 第36-45页 |
| ·本章引言 | 第36页 |
| ·神经网络样本点的提取 | 第36-38页 |
| ·L-M 算法的基本原理 | 第38-40页 |
| ·用于图像校正的神经网络结构 | 第40-41页 |
| ·实验结果及分析 | 第41-43页 |
| ·本章小结 | 第43-45页 |
| 4 基于神经网络的图像识别技术 | 第45-58页 |
| ·本章引言 | 第45页 |
| ·图像识别的基本原理 | 第45-48页 |
| ·识别样本的处理 | 第46-47页 |
| ·特征提取及匹配 | 第47-48页 |
| ·用于图像识别的 BP 神经网络 | 第48-50页 |
| ·图像的编码方式 | 第48页 |
| ·带动量项的 BP 网络学习算法 | 第48-49页 |
| ·BP 网络结构设计 | 第49-50页 |
| ·图像识别程序设计 | 第50-51页 |
| ·实验结果及和分析 | 第51-57页 |
| ·单级识别网络的实验结果 | 第51-53页 |
| ·级联网络的识别结果 | 第53-57页 |
| ·本章小结 | 第57-58页 |
| 5 神经网络在光刻对准系统中的应用 | 第58-71页 |
| ·本章引言 | 第58页 |
| ·对准原理及对准过程 | 第58-62页 |
| ·对准标记的设计 | 第59页 |
| ·对准算法及过程 | 第59-61页 |
| ·底面对准系统的结构及原理 | 第61-62页 |
| ·对准标记变形的原因 | 第62-63页 |
| ·基于神经网络的变形解决方案 | 第63-69页 |
| ·对准标记图形的校正 | 第65-67页 |
| ·实验结果分析 | 第67-69页 |
| ·本章小结 | 第69-71页 |
| 6 总结及展望 | 第71-73页 |
| ·工作总结 | 第71页 |
| ·展望 | 第71-73页 |
| 附录 A | 第73-75页 |
| 附录 B | 第75-81页 |
| 参考文献 | 第81-85页 |
| 作者简历 | 第85页 |
