| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究的背景和研究意义 | 第12-13页 |
| 1.2 深度学习的研究现状 | 第13-17页 |
| 1.3 本文的主要工作 | 第17-19页 |
| 1.3.1 基于δ门限自适应提升栈式自编码器的短期交通流量预测 | 第17-18页 |
| 1.3.2 基于深度学习的多模型集成框架的交通流量预测 | 第18页 |
| 1.3.3 基于深度学习方法的胶囊摄像机的乳糜泻病的定量分析 | 第18-19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 第二章 相关研究综述 | 第21-37页 |
| 2.1 引言 | 第21-22页 |
| 2.2 交通流量数据处理和预测模型 | 第22-29页 |
| 2.2.1 传统的交通流量预测模型 | 第22-26页 |
| 2.2.2 基于深度学习的交通流量预测 | 第26-29页 |
| 2.3 乳糜泻病的胶囊摄像机视频数据处理和诊断 | 第29-36页 |
| 2.3.1 乳糜泻病的传统诊断方法 | 第29-32页 |
| 2.3.2 胶囊摄像机的乳糜泻病诊断方法 | 第32-34页 |
| 2.3.3 基于机器学习的乳糜泻病诊断方法 | 第34-35页 |
| 2.3.4 基于深度学习的乳糜泻病诊断 | 第35-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 基于δ门限的自适应提升栈式自编码器的短期交通流量预测 | 第37-56页 |
| 3.1 引言 | 第37-39页 |
| 3.2 基于自适应提升栈式自编码器的交通流量预测 | 第39-46页 |
| 3.2.1 栈式自编码器模型 | 第40-43页 |
| 3.2.2 门限自适应提升回归 | 第43-46页 |
| 3.3 验证性实验 | 第46-55页 |
| 3.3.1 数据描述 | 第47-48页 |
| 3.3.2 评价标准 | 第48页 |
| 3.3.3 实验设置 | 第48-51页 |
| 3.3.4 准确性评估 | 第51-55页 |
| 3.4 本章小结 | 第55-56页 |
| 第四章 基于深度学习的多模型集成框架的交通流量预测 | 第56-82页 |
| 4.1 引言 | 第56-59页 |
| 4.2 多模型交通流量预测的集成框架 | 第59-67页 |
| 4.2.1 训练数据预处理 | 第60-61页 |
| 4.2.2 备选模型训练 | 第61页 |
| 4.2.3 训练数据标注 | 第61-62页 |
| 4.2.4 深度学习网络训练 | 第62-66页 |
| 4.2.5 基于概率驱动的预测模型集成策略 | 第66-67页 |
| 4.3 验证性实验 | 第67-80页 |
| 4.3.1 数据描述 | 第68页 |
| 4.3.2 备选模型参数设置 | 第68-70页 |
| 4.3.3 实验设置 | 第70页 |
| 4.3.4 评价标准 | 第70-71页 |
| 4.3.5 实验结果及讨论 | 第71-80页 |
| 4.4 本章小结 | 第80-82页 |
| 第五章 基于深度学习方法的胶囊摄像机的乳糜泻病的定量分析 | 第82-95页 |
| 5.1 背景 | 第82-83页 |
| 5.2 基于深度学习的乳糜泻病定量分析方法 | 第83-87页 |
| 5.2.1 胶囊摄像机内窥镜数据描述 | 第83-84页 |
| 5.2.2 利用GoogLeNet的定量分析 | 第84-87页 |
| 5.2.3 通过概率的期望自动化诊断 | 第87页 |
| 5.3 实验结果 | 第87-91页 |
| 5.4 讨论 | 第91-93页 |
| 5.5 本章小结 | 第93-95页 |
| 结论 | 第95-98页 |
| 参考文献 | 第98-114页 |
| 攻读博士学位期间取得的研究成果 | 第114-116页 |
| 致谢 | 第116-118页 |
| 附件 | 第118页 |
