| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1. 绪论 | 第13-21页 |
| 1.1. 研究背景和意义 | 第13-14页 |
| 1.2. 国内外研究现状 | 第14-19页 |
| 1.3. 植物识别的问题与趋势 | 第19-20页 |
| 1.4. 文章的结构安排 | 第20-21页 |
| 2. 深度学习介绍 | 第21-28页 |
| 2.1. 深度学习概述 | 第21-22页 |
| 2.2. 深度学习网络发展概述 | 第22-24页 |
| 2.3. 深度神经网络的训练困难与逐层贪婪预训练 | 第24-25页 |
| 2.4. 卷积在深度学习中的应用 | 第25-26页 |
| 2.5. 深度网络中的稀疏性 | 第26-27页 |
| 2.6. 本章小结 | 第27-28页 |
| 3. 植物叶片特征计算 | 第28-37页 |
| 3.1. 叶片图像预处理 | 第28-29页 |
| 3.2. 傅里叶特征 | 第29-30页 |
| 3.3. Gabor特征 | 第30-31页 |
| 3.4. Hu氏特征 | 第31-32页 |
| 3.5. 局部二值模式 | 第32-33页 |
| 3.6. 灰度共生矩阵特征 | 第33-34页 |
| 3.7. 其他基本特征 | 第34-36页 |
| 3.8. 本章小结 | 第36-37页 |
| 4. 基于“dropout”的深度信念网络 | 第37-60页 |
| 4.1. 限制玻尔兹曼机 | 第37-39页 |
| 4.2. 限制玻尔兹曼机中的吉布斯采样 | 第39页 |
| 4.3. 对比散度 | 第39-42页 |
| 4.4. 逐层贪婪训练的深度信念网络 | 第42-44页 |
| 4.5. 基于“dropout”方法的DBNs原理 | 第44-46页 |
| 4.6. 实验结果与分析 | 第46-52页 |
| 4.6.1. Flavia数据库实验 | 第46-48页 |
| 4.6.2. ICL数据库实验 | 第48-51页 |
| 4.6.3. 时间对比实验 | 第51-52页 |
| 4.7. 深度信念网络影响因素 | 第52-58页 |
| 4.7.1. 样本数量的影响 | 第52-53页 |
| 4.7.2. 训练样本与测试样本比例对准确率的影响 | 第53-54页 |
| 4.7.3. DBNs隐含层单元个数对识别的影响 | 第54-56页 |
| 4.7.4. “dropout”值对识别的影响 | 第56-57页 |
| 4.7.5. Batchsize大小对识别的影响 | 第57页 |
| 4.7.6. 对比散度次数对深度信念网络的影响 | 第57-58页 |
| 4.8. 本章小结 | 第58-60页 |
| 5. 改进的深度信念网络 | 第60-79页 |
| 5.1. Mean-DBNs算法 | 第60-65页 |
| 5.1.1. 算法原理 | 第60-62页 |
| 5.1.2. 实验结果 | 第62-65页 |
| 5.2. PID-DBNs算法 | 第65-74页 |
| 5.2.1. 算法原理 | 第66-68页 |
| 5.2.2. ICL数据库实验参数设置 | 第68-71页 |
| 5.2.3. 实验结果 | 第71-74页 |
| 5.3. 其他特征相关的讨论 | 第74-78页 |
| 5.3.1. 使用更多特征作为特征向量的相关实验 | 第74-76页 |
| 5.3.2. 单独使用每种特征的实验 | 第76-78页 |
| 5.4. 本章小结 | 第78-79页 |
| 6. 结论与展望 | 第79-81页 |
| 6.1. 本文的创新点和主要结论 | 第79-80页 |
| 6.2. 展望 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 个人简介 | 第86-87页 |
| 导师简介 | 第87-88页 |
| 获得成果目录 | 第88-89页 |
| 致谢 | 第89页 |