| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题背景,来源及意义 | 第8页 |
| 1.2 国内外研究发展现状分析 | 第8-14页 |
| 1.2.1 基于机器学习的图像分类 | 第8-12页 |
| 1.2.2 云层图像分类 | 第12-13页 |
| 1.2.3 深度学习开发平台 | 第13-14页 |
| 1.3 主要研究内容 | 第14-16页 |
| 第2章 基于卷积神经网络的图像分类方法 | 第16-27页 |
| 2.1 卷积神经网络结构 | 第16-18页 |
| 2.2 卷积神经网络训练 | 第18-23页 |
| 2.2.1 前向传播过程 | 第18-20页 |
| 2.2.2 权值共享 | 第20页 |
| 2.2.3 反向传播过程 | 第20-22页 |
| 2.2.4 普通参数和超参数 | 第22-23页 |
| 2.2.5 迭代次数、批尺寸和Epoch | 第23页 |
| 2.3 基于TensorFlow的卷积神经网络开发流程与方法 | 第23-26页 |
| 2.3.1 TensorFlow的配置 | 第24-25页 |
| 2.3.2 TensorFlow的开发流程与方法 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 改进的AlexNet模型云层图像分类方法 | 第27-55页 |
| 3.1 改进的卷积神经网络——STCnet模型 | 第27-31页 |
| 3.1.1 LeNet模型 | 第27-28页 |
| 3.1.2 AlexNet模型 | 第28-29页 |
| 3.1.3 改进的卷积神经网络——STCnet模型 | 第29-31页 |
| 3.2 测试数据集的构成 | 第31-42页 |
| 3.2.1 数据集介绍 | 第31-35页 |
| 3.2.2 数据预处理 | 第35-36页 |
| 3.2.3 数据增强 | 第36-38页 |
| 3.2.4 训练集、验证集和测试集 | 第38页 |
| 3.2.5 数据存储 | 第38-42页 |
| 3.3 STCnet模型的修正 | 第42-50页 |
| 3.3.1 池化层的分析 | 第42-44页 |
| 3.3.2 改进的激活函数 | 第44-50页 |
| 3.4 实验结果分析 | 第50-54页 |
| 3.4.1 特征图像 | 第50-51页 |
| 3.4.2 数据增强的适用性 | 第51-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第4章 改进的GoogLeNet模型云图像分类方法 | 第55-67页 |
| 4.1 GoogLeNet模型微调 | 第55-57页 |
| 4.2 SVM模型 | 第57-60页 |
| 4.3 GoogLeNet-SVM融合模型 | 第60-62页 |
| 4.4 实验结果分析 | 第62-66页 |
| 4.4.1 批尺寸的影响 | 第62-63页 |
| 4.4.2 数据增强的有效性 | 第63-64页 |
| 4.4.3 GoogLeNet-SVM融合模型 | 第64-66页 |
| 4.4.4 各模型的比较 | 第66页 |
| 4.5 本章小结 | 第66-67页 |
| 结论 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 攻读学位期间发表的学术论文及科研成果 | 第71-73页 |
| 致谢 | 第73页 |
