| 致谢 | 第6-7页 |
| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 1 绪论 | 第13-17页 |
| 1.1 研究背景及意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 卷积神经网络的发展 | 第13-14页 |
| 1.2.2 近期研究 | 第14-15页 |
| 1.3 本文主要工作和结构 | 第15-17页 |
| 2 卷积神经网络基本原理介绍 | 第17-22页 |
| 2.1 单隐层神经网络 | 第17-19页 |
| 2.2 卷积神经网络 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 3 基于复合卷积神经网络的图像去噪算法 | 第22-34页 |
| 3.1 引言 | 第22页 |
| 3.2 整体网络结构 | 第22-26页 |
| 3.2.1 阶段一的网络结构 | 第23-24页 |
| 3.2.2 阶段1中卷积神经网络的训练 | 第24-25页 |
| 3.2.3 阶段二的网络结构 | 第25-26页 |
| 3.3 实验结果与分析 | 第26-33页 |
| 3.3.1 网络参数设置 | 第26-27页 |
| 3.3.2 高斯白噪声的实验结果 | 第27-31页 |
| 3.3.3 算法时间分析 | 第31-32页 |
| 3.3.4 参数调整分析 | 第32页 |
| 3.3.5 椒盐噪声的实验结果 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 基于低秩卷积神经网络的残缺人脸识别算法 | 第34-48页 |
| 4.1 引言 | 第34-36页 |
| 4.1.1 研究动机 | 第34-35页 |
| 4.1.2 算法贡献 | 第35-36页 |
| 4.2 低秩卷积神经网络 | 第36-42页 |
| 4.2.1 基于矩阵恢复的图像修复 | 第36-38页 |
| 4.2.2 构建滤波模板 | 第38-42页 |
| 4.2.3 特征提取和分类 | 第42页 |
| 4.3 实验及分析 | 第42-47页 |
| 4.3.1 低秩卷积神经网络在未缺失情况下的实验效果 | 第42-43页 |
| 4.3.2 低秩卷积网络在MultiPIE缺失数据库下的对比实验效果 | 第43-44页 |
| 4.3.3 低秩卷积网络在AR缺失数据库下的对比实验效果 | 第44-45页 |
| 4.3.4 参数影响分析 | 第45-46页 |
| 4.3.5 算法时间分析 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 5 复合卷积神经网络在矩阵填充中的应用 | 第48-51页 |
| 5.1 引言 | 第48页 |
| 5.2 复合卷积神经网络模型 | 第48页 |
| 5.3 实验效果及分析 | 第48-50页 |
| 5.3.1 像素缺失 | 第49-50页 |
| 5.3.2 文本缺失 | 第50页 |
| 5.4 本章小结 | 第50-51页 |
| 6 结论与展望 | 第51-53页 |
| 6.1 研究总结 | 第51页 |
| 6.2 进一步研究方向 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 作者简历 | 第58页 |
