| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 1 前言 | 第11-23页 |
| 1.1 研究的目的和意义 | 第11-12页 |
| 1.1.1 研究意义 | 第11页 |
| 1.1.2 研究目的 | 第11-12页 |
| 1.2 国内外研究进展 | 第12-18页 |
| 1.2.1 深度学习的国内外研究现状及趋势 | 第12-15页 |
| 1.2.2 水稻病害识别的国内外研究现状及趋势 | 第15-18页 |
| 1.3 研究目标、内容和技术路线 | 第18-23页 |
| 1.3.1 研究目标 | 第18页 |
| 1.3.2 研究内容 | 第18-20页 |
| 1.3.3 研究方案和技术路线 | 第20-23页 |
| 2 深度学习基础理论 | 第23-33页 |
| 2.1 传统神经网络浅层学习 | 第23-25页 |
| 2.1.1 BP神经网络数学模型 | 第23-24页 |
| 2.1.2 误差反向传播算法 | 第24-25页 |
| 2.2 深度学习模型和算法 | 第25-27页 |
| 2.2.1 从浅层学习到深层学习 | 第25-26页 |
| 2.2.2 深度学习模型 | 第26-27页 |
| 2.3 受限玻尔兹曼机 | 第27-29页 |
| 2.4 softmax分类器 | 第29-30页 |
| 2.5 卷积神经网络 | 第30-31页 |
| 2.6 深度信念网络 | 第31-32页 |
| 2.7 本章小结 | 第32-33页 |
| 3 实验平台的搭建和实验数据获取 | 第33-37页 |
| 3.1 实验平台的搭建 | 第33页 |
| 3.2 实验数据的获取 | 第33-37页 |
| 4 基于深度信念网络的水稻纹枯病识别 | 第37-55页 |
| 4.1 水稻纹枯病的图像数据预处理 | 第37-42页 |
| 4.1.1 高斯滤波 | 第37-38页 |
| 4.1.2 中值滤波 | 第38-39页 |
| 4.1.3 Sobel算子边缘检测 | 第39-40页 |
| 4.1.4 主成分分析 | 第40-42页 |
| 4.2 深度信念网络算法及模型设计 | 第42-43页 |
| 4.2.1 深度信念网络学习算法 | 第42页 |
| 4.2.2 深度信念网络模型设计 | 第42-43页 |
| 4.3 粒子群优化的支持向量机方案 | 第43-47页 |
| 4.3.1 SVM | 第43-44页 |
| 4.3.2 PSO算法 | 第44-45页 |
| 4.3.3 粒子群优化的支持向量机的模型 | 第45-46页 |
| 4.3.4 粒子群优化的支持向量机的算法 | 第46-47页 |
| 4.4 基于粒子群优化的深度信念网络的水稻纹枯病识别 | 第47-48页 |
| 4.5 实验结果与分析 | 第48-52页 |
| 4.6 本章小结 | 第52-55页 |
| 5 AlexNet和 Google Net模型的水稻纹枯病识别 | 第55-65页 |
| 5.1 AlexNet模型 | 第55-58页 |
| 5.2 GoogleNet模型 | 第58-60页 |
| 5.3 Python+TensorFlow环境的搭建 | 第60-61页 |
| 5.4 基于AlexNet和 GoogleNet模型的水稻纹枯病识别 | 第61页 |
| 5.5 实验结果与分析 | 第61-63页 |
| 5.6 本章小结 | 第63-65页 |
| 6 结论与展望 | 第65-67页 |
| 6.1 结论 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-74页 |
| 致谢 | 第74-75页 |
| 个人简历 | 第75页 |
| 个人情况 | 第75页 |
| 教育背景 | 第75页 |
| 科研经历 | 第75页 |
| 在学期间发表论文 | 第75页 |
