| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 引言 | 第12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 主要工作和研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 传统神经网络 | 第16-26页 |
| 2.1 神经元模型介绍 | 第16-17页 |
| 2.2 多层前馈神经网络 | 第17-19页 |
| 2.3 反向传播算法 | 第19-22页 |
| 2.3.1 反向传播算法介绍 | 第19-20页 |
| 2.3.2 反向传播算法推导 | 第20-22页 |
| 2.4 深度学习思想及训练方式 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 模型融合中使用的分类模型 | 第26-33页 |
| 3.1 自动编码器 | 第26-28页 |
| 3.1.1 自动编码器简介 | 第26-27页 |
| 3.1.2 自动编码器训练过程 | 第27-28页 |
| 3.2 卷积神经网络 | 第28-32页 |
| 3.2.1 卷积神经网络简介 | 第28-29页 |
| 3.2.2 卷积神经网络结构 | 第29-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 基于改进的Adaboost算法的模型融合 | 第33-47页 |
| 4.1 模型融合的必要性 | 第33-36页 |
| 4.1.1 单一神经网络模型的不足 | 第33-34页 |
| 4.1.2 神经网络准确率的提升 | 第34-36页 |
| 4.2 模型融合方法 | 第36-39页 |
| 4.2.1 模型融合的概念 | 第36-37页 |
| 4.2.2 模型融合的方式 | 第37-38页 |
| 4.2.3 模型融合的优势 | 第38-39页 |
| 4.3 基于改进的Adaboost算法的模型融合方法 | 第39-46页 |
| 4.3.1 单个模型的特点 | 第39-40页 |
| 4.3.2 算法流程 | 第40-45页 |
| 4.3.3 融合意义 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 图像识别实验及结果分析 | 第47-71页 |
| 5.1 实验准备 | 第47-50页 |
| 5.1.1 手写数字数据集Mnist | 第47-48页 |
| 5.1.2 3D小物体数据集Norb | 第48-49页 |
| 5.1.3 人脸数据集Olivetti | 第49页 |
| 5.1.4 实验环境 | 第49-50页 |
| 5.2 卷积神经网络应用于图像识别 | 第50-58页 |
| 5.2.1 实验设计 | 第50-51页 |
| 5.2.2 实验结果及分析 | 第51-58页 |
| 5.3 深度神经网络应用于图像识别 | 第58-64页 |
| 5.3.1 实验设计 | 第58-59页 |
| 5.3.2 实验结果及分析 | 第59-64页 |
| 5.4 模型融合应用于图像识别 | 第64-69页 |
| 5.4.1 实验设计 | 第64-65页 |
| 5.4.2 实验结果及分析 | 第65-69页 |
| 5.5 实验结论 | 第69-70页 |
| 5.6 本章小结 | 第70-71页 |
| 总结与展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间取得的研究成果 | 第75-76页 |
| 致谢 | 第76-77页 |
| 附件 | 第77页 |