| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究的背景与意义 | 第10-11页 |
| 1.2 流型识别发展现状 | 第11-12页 |
| 1.3 电容层析成像技术的国内外研究现状 | 第12-13页 |
| 1.4 人工神经网络研究现状 | 第13页 |
| 1.5 课题的来源及研究内容 | 第13-15页 |
| 第2章 电容层析成像系统的构成及其基本原理 | 第15-27页 |
| 2.1 电容层析成像系统的组成结构 | 第15页 |
| 2.2 电容层析成像系统的工作原理 | 第15-19页 |
| 2.2.1 电容层析成像的数学模型 | 第16-17页 |
| 2.2.2 敏感场分析 | 第17-19页 |
| 2.3 ECT 技术的正问题分析 | 第19-20页 |
| 2.4 ECT 技术反问题分析 | 第20-24页 |
| 2.4.1 线性反投影算法 | 第21-22页 |
| 2.4.2 Landweber 迭代算法 | 第22-24页 |
| 2.4.3 Tikhonov 正则化法 | 第24页 |
| 2.5 ECT 流型识别 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 人工神经网络 | 第27-34页 |
| 3.1 人工神经网络概念 | 第27-28页 |
| 3.2 神经网络类型 | 第28页 |
| 3.2.1 结构分类 | 第28页 |
| 3.2.2 算法分类 | 第28页 |
| 3.3 常见的神经网络 | 第28-32页 |
| 3.3.3 BP 神经网络 | 第28-30页 |
| 3.3.4 RBF 神经网络 | 第30-32页 |
| 3.3.5 支持向量机 | 第32页 |
| 3.4 神经网络应用于 ECT 流型识别的可行性分析 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于神经网络的 ECT 流型识别 | 第34-44页 |
| 4.1 流型分析与特征提取 | 第34-36页 |
| 4.2 基于 Elman 神经网络的流型识别 | 第36-40页 |
| 4.2.1 Elman 神经网络基本原理 | 第36-38页 |
| 4.2.2 Elman 神经网络学习方法 | 第38-40页 |
| 4.3 基于 Elman 神经网络的 ECT 流型识别过程 | 第40-41页 |
| 4.4 实验分析 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 基于深度学习算法 ECT 流型识别 | 第44-60页 |
| 5.1 深度学习概念 | 第44-46页 |
| 5.2 深度学习的训练过程 | 第46-47页 |
| 5.3 稀疏自编码 | 第47-49页 |
| 5.4 栈式自编码 | 第49-50页 |
| 5.5 soft 回归 | 第50-51页 |
| 5.6 基于深度学习的 ECT 流型识别过程 | 第51-56页 |
| 5.6.1 主成分分析 | 第51-53页 |
| 5.6.2 白化 | 第53-54页 |
| 5.6.3 数据训练 | 第54-56页 |
| 5.7 实验分析 | 第56-59页 |
| 5.8 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间所发表的学术论文 | 第65-66页 |
| 致谢 | 第66页 |