| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 研究背景和现状 | 第8-9页 |
| 1.1.1 论文的选题背景 | 第8页 |
| 1.1.2 发展现状 | 第8-9页 |
| 1.2 研究目的 | 第9页 |
| 1.3 论文结构 | 第9-11页 |
| 第二章 深度学习 | 第11-21页 |
| 2.1 人工神经网络 | 第11-15页 |
| 2.1.1 机器学习 | 第11页 |
| 2.1.2 有监督学习和无监督学习 | 第11-12页 |
| 2.1.3 人工神经网络 | 第12-14页 |
| 2.1.4 BP 神经网络 | 第14-15页 |
| 2.2 深度学习 | 第15-17页 |
| 2.2.1 从大脑结构到深度学习 | 第15-16页 |
| 2.2.2 深度学习成功的关键 | 第16-17页 |
| 2.2.3 深度学习的训练过程 | 第17页 |
| 2.3 深信度网络 | 第17-21页 |
| 2.3.1 受限玻尔兹曼机 | 第17-19页 |
| 2.3.2 深信度网络（Deep Belief Network） | 第19-21页 |
| 第三章 数据融合 | 第21-24页 |
| 3.1 数据融合技术 | 第21-22页 |
| 3.2 数据融合原理简介 | 第22-23页 |
| 3.3 人工神经网络技术在数据融合上的应用 | 第23-24页 |
| 第四章 FPSO 监测预警系统 | 第24-29页 |
| 4.1 FPSO 简介 | 第24-25页 |
| 4.2 FPSO 监测预警系统 | 第25-29页 |
| 4.2.1 FPSO 监测预报系统的数据采集 | 第26-27页 |
| 4.2.2 FPSO 监测预报系统的数据集成处理硬件 | 第27页 |
| 4.2.3 FPSO 监测预报系统的软件系统 | 第27-29页 |
| 第五章 基于深信度网络的数据融合在 FPSO 预报系统上的应用 | 第29-36页 |
| 5.1 基于深信度网络的多传感器数据融合 | 第29页 |
| 5.2 应用于多传感器数据融合的深信度网络算法 | 第29-33页 |
| 5.2.1 受限玻尔兹曼机的算法公式 | 第29-32页 |
| 5.2.2 深度信念网络实现机理 | 第32-33页 |
| 5.3 基于深信度网络的数据融合应用于 FPSO 监测预警系统 | 第33-36页 |
| 第六章 算法实现和实验结果分析 | 第36-47页 |
| 6.1 深信度网络算法实现 | 第36-42页 |
| 6.1.1 受限制波尔斯曼机实现 | 第36-38页 |
| 6.1.2 总体设计 | 第38-40页 |
| 6.1.3 反向传播设计 | 第40-42页 |
| 6.2 数据训练与结果分析 | 第42-47页 |
| 第七章 总结和展望 | 第47-48页 |
| 7.1 总结 | 第47页 |
| 7.2 展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 发表论文和参加科研情况说明 | 第51-52页 |
| 致谢 | 第52页 |
