| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-19页 |
| 1.1 课题来源 | 第8页 |
| 1.2 研究背景及意义 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-16页 |
| 1.4 研究思路 | 第16页 |
| 1.5 研究内容 | 第16-18页 |
| 1.6 本章小结 | 第18-19页 |
| 第二章 深度学习概要 | 第19-32页 |
| 2.1 深度学习与浅层学习的比较 | 第19-25页 |
| 2.1.1 浅层学习 | 第19-21页 |
| 2.1.2 深度学习 | 第21-25页 |
| 2.1.3 深度学习与浅层学习的比较 | 第25页 |
| 2.2 卷积神经网络 | 第25-31页 |
| 2.2.1 卷积神经网络的框架结构 | 第25-29页 |
| 2.2.2 卷积神经网络的特点 | 第29页 |
| 2.2.3 卷积神经网络的训练过程 | 第29-30页 |
| 2.2.4 卷积神经网络的应用 | 第30-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 基于CNN的岩石图像分类 | 第32-45页 |
| 3.1 岩石图像的采集和划分类别 | 第32-35页 |
| 3.2 CNN岩石图像分类框架的构建与训练 | 第35-37页 |
| 3.3 实验设置 | 第37-38页 |
| 3.4 实验结果与分析 | 第38-43页 |
| 3.4.1 不同训练迭代次数下的实验分析 | 第38-40页 |
| 3.4.2 图像的亮度和几何变换以及噪声影响下的实验分析 | 第40-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 结合DCT和CNN的岩石图像分类 | 第45-58页 |
| 4.1 离散余弦变换 | 第45-47页 |
| 4.1.1 离散余弦变换的定义 | 第45页 |
| 4.1.2 离散余弦变换的性质 | 第45-46页 |
| 4.1.3 离散余弦变换的优势 | 第46-47页 |
| 4.2 DCT与CNN相结合的主要思想 | 第47-50页 |
| 4.3 基于DCT的CNN岩石图像分类框架的构建与训练 | 第50-53页 |
| 4.4 实验设置 | 第53页 |
| 4.5 实验结果与分析 | 第53-56页 |
| 4.5.1 取10个DCT系数的基于DCT的CNN岩石图像分类框架 | 第53-55页 |
| 4.5.2 取15个DCT系数的基于DCT的CNN岩石图像分类框架 | 第55-56页 |
| 4.5.3 基于DCT的CNN岩石图像分类框架的对比分析 | 第56页 |
| 4.6 本章小结 | 第56-58页 |
| 第五章 结合DWT和DCT以及CNN的岩石图像分类 | 第58-72页 |
| 5.1 离散小波变换 | 第58-62页 |
| 5.1.1 二维MALLAT算法 | 第58-59页 |
| 5.1.2 db2小波 | 第59-60页 |
| 5.1.3 离散小波变换与离散余弦变换的对比 | 第60-62页 |
| 5.2 DWT和DCT以及CNN相结合的主要思想 | 第62-63页 |
| 5.3 基于DWT和DCT的CNN岩石图像分类框架的构建与训练 | 第63-66页 |
| 5.4 实验设置 | 第66-67页 |
| 5.5 实验结果与分析 | 第67-70页 |
| 5.5.1 基于一层DWT和DCT的CNN岩石图像分类框架 | 第67-68页 |
| 5.5.2 基于二层DWT和DCT的CNN岩石图像分类框架 | 第68-69页 |
| 5.5.3 基于DWT和DCT的CNN岩石图像分类框架的对比分析 | 第69-70页 |
| 5.6 实验总体对比分析 | 第70-71页 |
| 5.7 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 总结 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 攻读硕士学位期间发表的论文 | 第80-81页 |
