基于迁移学习的铁路异物检测算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-23页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-20页 |
| 1.2.1 铁路异物检测研究现状 | 第13-17页 |
| 1.2.2 迁移学习研究现状 | 第17-19页 |
| 1.2.3 存在的问题 | 第19-20页 |
| 1.3 本文研究内容及章节安排 | 第20-23页 |
| 1.3.1 本文的研究内容 | 第20-22页 |
| 1.3.2 本文的章节安排 | 第22-23页 |
| 2 算法总体方案 | 第23-35页 |
| 2.1 需求分析 | 第23-25页 |
| 2.2 算法研究 | 第25-31页 |
| 2.2.1 卷积神经网络 | 第25-28页 |
| 2.2.2 深度信念网络 | 第28-31页 |
| 2.3 算法方案设计 | 第31-34页 |
| 2.3.1 算法方案流程图 | 第31-32页 |
| 2.3.2 算法方案概述 | 第32-34页 |
| 2.4 本章小结 | 第34-35页 |
| 3 深度信念网络预训练模型 | 第35-53页 |
| 3.1 深度信念网络 | 第35-43页 |
| 3.1.1 受限玻尔兹曼机 | 第36-42页 |
| 3.1.2 反向传播算法 | 第42-43页 |
| 3.2 预训练模型的设计 | 第43-52页 |
| 3.2.1 铁路场景数据集 | 第44-48页 |
| 3.2.2 预训练模型的样本集 | 第48-49页 |
| 3.2.3 预训练模型的结构设计 | 第49-51页 |
| 3.2.4 预训练模型的参数选择 | 第51-52页 |
| 3.3 本章小结 | 第52-53页 |
| 4 基于迁移学习的铁路异物检测算法 | 第53-63页 |
| 4.1 迁移学习 | 第53-56页 |
| 4.2 选择可进行迁移的知识 | 第56-58页 |
| 4.3 迁移学习算法结构 | 第58-59页 |
| 4.4 算法实验 | 第59-62页 |
| 4.5 本章小结 | 第62-63页 |
| 5 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第69-73页 |
| 学位论文数据集 | 第73页 |
