基于DBN模型的土石料碾压参数分析与系统实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究目标及内容 | 第10-11页 |
| 1.2.1 研究目标 | 第10页 |
| 1.2.2 研究内容 | 第10-11页 |
| 1.3 论文组织结构 | 第11-13页 |
| 第二章 土石坝碾压质量监控系统 | 第13-21页 |
| 2.1 压实质量分析现状 | 第13-15页 |
| 2.1.1 国外研究现状 | 第13-14页 |
| 2.1.2 国内研究现状 | 第14页 |
| 2.1.3 现有监控管理方法 | 第14-15页 |
| 2.2 工程概况 | 第15-17页 |
| 2.3 土石坝碾压质量实时监控系统 | 第17-19页 |
| 2.3.1 应用原理 | 第17-18页 |
| 2.3.2 碾压参数的获取 | 第18-19页 |
| 2.3.3 压实质量的影响因素分析 | 第19页 |
| 2.4 本章小结 | 第19-21页 |
| 第三章 相关技术研究 | 第21-41页 |
| 3.1 深度学习 | 第21-24页 |
| 3.1.1 机器学习的两次浪潮 | 第21-22页 |
| 3.1.2 深度学习的来源 | 第22页 |
| 3.1.3 深度学习的涵义 | 第22-23页 |
| 3.1.4 深度学习的应用 | 第23-24页 |
| 3.2 受限玻尔兹曼机 | 第24-27页 |
| 3.2.1 能量函数 | 第24页 |
| 3.2.2 玻尔兹曼机 | 第24-26页 |
| 3.2.3 RBM模型 | 第26-27页 |
| 3.3 深度置信网络 | 第27-32页 |
| 3.3.1 DBN的结构 | 第27-28页 |
| 3.3.2 DBN的训练过程 | 第28-29页 |
| 3.3.3 自下而上的RBM学习 | 第29-32页 |
| 3.3.4 自顶向下的微调 | 第32页 |
| 3.4 主成分分析法 | 第32-37页 |
| 3.4.1 PCA的来源与概念 | 第32-33页 |
| 3.4.2 PCA的几何意义 | 第33-35页 |
| 3.4.3 PCA的计算步骤 | 第35-37页 |
| 3.5 支持向量机 | 第37-39页 |
| 3.5.1 SVM的起源与发展 | 第37页 |
| 3.5.2 SVM几何模型 | 第37-38页 |
| 3.5.3 SVM的优缺点 | 第38-39页 |
| 3.6 本章小结 | 第39-41页 |
| 第四章 DBN模型建立与实验过程 | 第41-51页 |
| 4.1 DBN模型建立 | 第41-42页 |
| 4.2 实验概述 | 第42页 |
| 4.2.1 实验目的 | 第42页 |
| 4.2.2 实验原理 | 第42页 |
| 4.3 数据处理 | 第42-44页 |
| 4.3.1 数据来源 | 第42页 |
| 4.3.2 数据的预处理 | 第42-43页 |
| 4.3.3 数据清洗 | 第43-44页 |
| 4.4 特征提取的对比方法 | 第44-45页 |
| 4.4.1 PCA算法 | 第44-45页 |
| 4.4.2 人工手动提取 | 第45页 |
| 4.5 实验流程 | 第45-47页 |
| 4.6 实验结果分析 | 第47-49页 |
| 4.6.1 特征提取方法的对比 | 第47-48页 |
| 4.6.2 实验讨论 | 第48-49页 |
| 4.7 本章小结 | 第49-51页 |
| 第五章 系统设计与实施 | 第51-69页 |
| 5.1 系统目标 | 第51页 |
| 5.2 需求分析 | 第51-54页 |
| 5.2.1 功能需求 | 第51-53页 |
| 5.2.2 性能需求 | 第53-54页 |
| 5.3 系统设计 | 第54-63页 |
| 5.3.1 Spring MVC框架的基本内容 | 第54-55页 |
| 5.3.2 系统架构设计 | 第55-56页 |
| 5.3.3 功能结构设计 | 第56-57页 |
| 5.3.4 网络拓扑结构 | 第57页 |
| 5.3.5 数据库设计 | 第57-59页 |
| 5.3.6 功能详细设计 | 第59-63页 |
| 5.4 系统实施 | 第63-67页 |
| 5.5 本章小结 | 第67-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 发表论文和参加科研情况说明 | 第75-77页 |
| 致谢 | 第77-78页 |
