| 摘要 | 第1-5页 |
| ABSTRACT | 第5-12页 |
| 第一章 引言 | 第12-17页 |
| ·研究背景及意义 | 第12-13页 |
| ·国内外研究现状 | 第13-15页 |
| ·本文研究的主要内容 | 第15-17页 |
| 第二章 CNN 的数理模型与系统分析 | 第17-27页 |
| ·细胞神经网络的结构和特点 | 第17-20页 |
| ·标准CNN 动态范围与稳定性分析 | 第20-25页 |
| ·CNN 动态范围 | 第20-21页 |
| ·CNN 稳定性分析 | 第21-25页 |
| ·基于细胞神经网络的数字图象处理 | 第25-26页 |
| ·输入与输出量化 | 第25页 |
| ·CNN 处理数字图像的基本原理 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于粒子群算法的细胞神经网络模板设计 | 第27-36页 |
| ·引言 | 第27页 |
| ·粒子群算法 | 第27-29页 |
| ·基于粒子群算法的细胞神经网络模板的学习方法 | 第29-31页 |
| ·种群优化的参数确定 | 第29页 |
| ·带约束条件的粒子群算法（C-PSO）优化CNN 模板参数 | 第29-30页 |
| ·适应度函数的确定 | 第30页 |
| ·算法的实现 | 第30-31页 |
| ·实验结果与分析 | 第31-34页 |
| ·本章小结 | 第34-36页 |
| 第四章 基于CNN 差分图象合并的视频分割算法 | 第36-59页 |
| ·引言 | 第36页 |
| ·基于CNN 的视频对象分割 | 第36-49页 |
| ·基于CNN 开闭重建形态学滤波的图像预处理 | 第36-47页 |
| ·CNN 差分图象合并算法实现 | 第47-49页 |
| ·算法中CNN 模板的设计与结构 | 第49-54页 |
| ·实验结果与分析 | 第54-58页 |
| ·实验结果 | 第54-58页 |
| ·实验分析 | 第58页 |
| ·本章小结 | 第58-59页 |
| 第五章 基于FPGA 的CNN 算法的硬件设计 | 第59-78页 |
| ·引言 | 第59页 |
| ·FPGA 的开发环境与工具 | 第59-63页 |
| ·FPGA 技术 | 第59-61页 |
| ·Quartus II 开发软件 | 第61-62页 |
| ·硬件描述语言(HDL) | 第62-63页 |
| ·CNN 总体硬件设计方案 | 第63-76页 |
| ·卷积模块的硬件实现 | 第64-74页 |
| ·阈值模块 | 第74-75页 |
| ·CNN 算法的顶层模块 | 第75-76页 |
| ·硬件实现结果分析 | 第76-77页 |
| ·8×8 规模图像分析 | 第76-77页 |
| ·256×256 规模图像分析 | 第77页 |
| ·本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-79页 |
| ·本文的主要工作 | 第78页 |
| ·后续工作 | 第78-79页 |
| 参考文献 | 第79-82页 |
| 致谢 | 第82-83页 |
| 在学期间的研究成果及发表的学术论文 | 第83页 |