| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 本文的研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 深度学习的研究现状 | 第13-15页 |
| 1.2.2 医疗数据的研究现状 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-18页 |
| 第2章 医药冷链的温湿度数据采集与预处理 | 第18-28页 |
| 2.1 温湿度数据采集 | 第19-22页 |
| 2.1.1 药品批发企业的温湿度数据采集 | 第19-20页 |
| 2.1.2 药品零售企业的温湿度数据采集 | 第20-21页 |
| 2.1.3 数据传输管理 | 第21-22页 |
| 2.2 RS485通讯协议的应用 | 第22-23页 |
| 2.2.1 布置RS485通信网络 | 第22页 |
| 2.2.2 RS485通信网络的功能 | 第22-23页 |
| 2.3 温度和湿度数据预处理 | 第23-27页 |
| 2.3.1 现场采集的温湿度数据 | 第23-26页 |
| 2.3.2 输入数据归一化 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 卷积神经网络在医药冷链数据中的应用 | 第28-48页 |
| 3.1 概述 | 第28页 |
| 3.2 卷积神经网络的基本概念 | 第28-30页 |
| 3.2.1 权重共享 | 第28-29页 |
| 3.2.2 降采样操作 | 第29-30页 |
| 3.3 冷链系统的卷积神经网络的结构设计 | 第30-41页 |
| 3.3.1 输入层 | 第31页 |
| 3.3.2 卷积层 | 第31-34页 |
| 3.3.3 降采样层 | 第34-36页 |
| 3.3.4 全连接层 | 第36-38页 |
| 3.3.5 代价函数的设计 | 第38-41页 |
| 3.4 卷积神经网络中的参数优化方法 | 第41-44页 |
| 3.4.1 随机梯度下降 | 第41-43页 |
| 3.4.2 随机梯度下降中冲量-Momentum的使用 | 第43-44页 |
| 3.5 提高卷积神经网络泛化能力的方法 | 第44-46页 |
| 3.5.1 权重衰减 | 第44-45页 |
| 3.5.2 DropOut | 第45-46页 |
| 3.6 卷积神经网络在医药冷链数据中的应用 | 第46-47页 |
| 3.7 本章小结 | 第47-48页 |
| 第4章 软件设计 | 第48-61页 |
| 4.1 软件总体架构 | 第48-52页 |
| 4.1.1 行政(监管)相对人信息系统 | 第49页 |
| 4.1.2 电子地图子系统 | 第49-50页 |
| 4.1.3 温湿度基础信息子系统 | 第50页 |
| 4.1.4 温湿度预警子系统 | 第50页 |
| 4.1.5 短信平台子系统 | 第50-51页 |
| 4.1.6 信息公告子系统 | 第51页 |
| 4.1.7 状态诊断及风险预警系统 | 第51-52页 |
| 4.2 深度学习的框架选取 | 第52-55页 |
| 4.3 TensorFlow实现卷积神经网络的过程 | 第55-56页 |
| 4.4 药品冷链温湿度监控系统APP | 第56-60页 |
| 4.4.1 APP的结构 | 第56-57页 |
| 4.4.2 APP的功能 | 第57-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 实验结果及分析 | 第61-73页 |
| 5.1 样本集尺寸的选取 | 第61-65页 |
| 5.2 卷积神经网络参数的选取和调整 | 第65-71页 |
| 5.2.1 网络参数的选取 | 第65-67页 |
| 5.2.2 网络参数的调整 | 第67-71页 |
| 5.3 误差分析 | 第71页 |
| 5.4 本章小结 | 第71-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第81-82页 |
| 致谢 | 第82-83页 |