| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文研究内容及论文结构 | 第11-13页 |
| 第二章 逆问题研究的基础理论和方法 | 第13-20页 |
| 2.1 心电逆问题研究总体框架 | 第13页 |
| 2.2 建立心电逆问题模型 | 第13-16页 |
| 2.3 心电仿真数据 | 第16-17页 |
| 2.3.1 基于肯特束综合征的心电仿真数据 | 第16页 |
| 2.3.2 基于正常心脏的心电仿真数据 | 第16-17页 |
| 2.3.3 模型评价准则 | 第17页 |
| 2.4 HDF5文件简介 | 第17-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 基于卷积神经网络的心电逆问题研究 | 第20-33页 |
| 3.1 引言 | 第20-21页 |
| 3.2 卷积神经网络的理论及方法 | 第21-24页 |
| 3.2.1 CNN前向传播算法 | 第21页 |
| 3.2.2 CNN反向传播算法 | 第21-23页 |
| 3.2.3 建立CNN模型 | 第23-24页 |
| 3.3 卷积神经网络模型优化算法 | 第24-27页 |
| 3.3.1 随机梯度下降算法 | 第24页 |
| 3.3.2 小批量梯度下降算法 | 第24-25页 |
| 3.3.3 涅斯捷罗夫梯度加速算法 | 第25-26页 |
| 3.3.4 自适应梯度算法 | 第26-27页 |
| 3.4 使用Caffe框架训练模型 | 第27-28页 |
| 3.4.1 Caffe框架简介 | 第27-28页 |
| 3.4.2 GPU并行训练 | 第28页 |
| 3.5 基于CNN算法与极限学习机算法比较分析 | 第28-32页 |
| 3.5.1 对心脏跨膜电位进行重构 | 第28-30页 |
| 3.5.2 误差比较和分析 | 第30-31页 |
| 3.5.3 结论 | 第31-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第四章 KPCA-CNN深度神经网络的理论及方法研究 | 第33-41页 |
| 4.1 引言 | 第33页 |
| 4.2 数据降维方法 | 第33-37页 |
| 4.2.1 主成分分析方法 | 第34-35页 |
| 4.2.2 核主成分分析方法 | 第35-37页 |
| 4.3 稀疏的网络连接 | 第37-39页 |
| 4.3.1 Dropout策略 | 第37-39页 |
| 4.3.2 Maxout激活函数 | 第39页 |
| 4.4 建立KPCA-CNN模型 | 第39-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第五章 基于KPCA-CNN深度神经网络的心电逆问题研究 | 第41-48页 |
| 5.1 引言 | 第41页 |
| 5.2 KPCA降维处理 | 第41页 |
| 5.3 基于KPCA-CNN模型与常规CNN模型的比较分析 | 第41-46页 |
| 5.3.1 对心脏跨膜电位进行重构 | 第41-44页 |
| 5.3.2 算法性能对比分析 | 第44-46页 |
| 5.3.3 结论 | 第46页 |
| 5.4 本章小结 | 第46-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 论文工作总结 | 第48页 |
| 6.2 未来工作展望 | 第48-50页 |
| 参考文献 | 第50-55页 |
| 攻读学位期间的研究成果 | 第55-56页 |
| 致谢 | 第56页 |
