| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第17-41页 |
| 1.1 研究背景及意义 | 第17-21页 |
| 1.2 国内外研究现状 | 第21-35页 |
| 1.2.1 人工设计 | 第22-23页 |
| 1.2.2 浅层学习 | 第23-24页 |
| 1.2.3 深度学习 | 第24-35页 |
| 1.3 主要研究内容 | 第35-39页 |
| 1.4 论文整体结构 | 第39-40页 |
| 1.5 本章小结 | 第40-41页 |
| 第二章 有约束的高分散主成分分析网络 | 第41-85页 |
| 2.1 卷积神经网 | 第41-45页 |
| 2.2 PCANet | 第45页 |
| 2.3 CHDNet网络结构 | 第45-57页 |
| 2.3.1 构造局部特征卷积核 | 第47-52页 |
| 2.3.2 多尺度特征池化层 | 第52-56页 |
| 2.3.3 和CNN、PCANet的异同 | 第56-57页 |
| 2.4 基于Kinect的人体生理机能自动检测 | 第57-71页 |
| 2.4.1 数据采集 | 第58-59页 |
| 2.4.2 实验涉及的相关技术 | 第59-66页 |
| 2.4.3 实验结果与分析 | 第66-69页 |
| 2.4.4 影响人体生理机能自动检测的因素 | 第69-71页 |
| 2.5 计算机辅助舌象诊断 | 第71-83页 |
| 2.5.1 数据采集 | 第71-72页 |
| 2.5.2 实验涉及的相关技术 | 第72-75页 |
| 2.5.3 实验结果与分析 | 第75-80页 |
| 2.5.4 影响舌象分类性能的因素 | 第80-83页 |
| 2.6 本章小结 | 第83-85页 |
| 第三章 局部线性嵌入网络 | 第85-107页 |
| 3.1 LLENet网络结构 | 第87-95页 |
| 3.1.1 基于LLE算法改进的卷积核构造方法 | 第89-94页 |
| 3.1.2 多尺度特征分析 | 第94-95页 |
| 3.2 实验结果与分析 | 第95-102页 |
| 3.2.1 JAFFE数据集 | 第95-98页 |
| 3.2.2 CK+数据集 | 第98-100页 |
| 3.2.3 Extended Yale B数据集 | 第100-102页 |
| 3.3 影响LLENet分类性能的因素 | 第102-105页 |
| 3.3.1 图像块大小对分类性能的影响 | 第103页 |
| 3.3.2 K近邻的大小对分类性能的影响 | 第103-104页 |
| 3.3.3 训练样本数对分类性能的影响 | 第104-105页 |
| 3.4 本章小节 | 第105-107页 |
| 第四章 基于迁移学习和全连接网络的分类算法 | 第107-125页 |
| 4.1 基于迁移学习和全连接网络的分类方法 | 第108-114页 |
| 4.1.1 基于迁移学习的深度特征提取方法 | 第108-111页 |
| 4.1.2 全连接神经网络FCNet | 第111-114页 |
| 4.2 肝脏超声波图像纤维化分类 | 第114-123页 |
| 4.2.1 数据集采集 | 第115-117页 |
| 4.2.2 热度图和直方图特征 | 第117-119页 |
| 4.2.3 肝脏纤维化分类实验 | 第119-122页 |
| 4.2.4 影响肝脏超声波图像纤维化分类性能的因素 | 第122-123页 |
| 4.3 本章小结 | 第123-125页 |
| 第五章 总结和展望 | 第125-129页 |
| 参考文献 | 第129-141页 |
| 致谢 | 第141-143页 |
| 发表论文和科研情况 | 第143-144页 |