| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 引言 | 第11页 |
| 1.2 研究背景和现状 | 第11-13页 |
| 1.2.1 图像识别的起源和研究现状 | 第11-12页 |
| 1.2.2 联想记忆的起源和研究现状 | 第12页 |
| 1.2.3 图像识别鲁棒性的研究现状 | 第12-13页 |
| 1.3 研究目的与意义 | 第13页 |
| 1.4 本文创新点 | 第13-14页 |
| 1.5 本文组织结构 | 第14-15页 |
| 第2章 模型简介 | 第15-34页 |
| 2.1 人工神经网络概述 | 第15-18页 |
| 2.1.1 人工神经元 | 第15-17页 |
| 2.1.2 多层前馈型神经网络 | 第17-18页 |
| 2.2 联想记忆神经网络概述 | 第18-23页 |
| 2.2.1 双向联想记忆神经网络(BAM) | 第18-22页 |
| 2.2.2 指数型双向联想记忆神经网络(EBAM) | 第22-23页 |
| 2.3 卷积神经网络概述 | 第23-28页 |
| 2.3.1 网络结构 | 第24-26页 |
| 2.3.2 卷积概述 | 第26-27页 |
| 2.3.3 池化概述 | 第27-28页 |
| 2.4 T-SNE概述 | 第28-33页 |
| 2.4.1 SNE | 第28-30页 |
| 2.4.2 对称SNE | 第30-31页 |
| 2.4.3 将t分布结合到对称SNE | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于多种特征和联想记忆的神经网络模型 | 第34-41页 |
| 3.1 模型设计概述 | 第34-35页 |
| 3.2 模型结构和数据流图 | 第35-37页 |
| 3.2.1 模型结构 | 第35-36页 |
| 3.2.2 数据流图 | 第36-37页 |
| 3.3 训练过程 | 第37-39页 |
| 3.3.1 CNN训练阶段 | 第37-38页 |
| 3.3.2 t-SNE训练阶段 | 第38页 |
| 3.3.3 BAM训练阶段 | 第38-39页 |
| 3.4 测试过程 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 实验数据,实验结果与分析 | 第41-47页 |
| 4.1 实验数据 | 第41页 |
| 4.2 数据预处理 | 第41-42页 |
| 4.3 实验结果与分析 | 第42-47页 |
| 4.3.1 卷积神经网络实验结果 | 第42-43页 |
| 4.3.2 联想记忆模型实验结果 | 第43-47页 |
| 第5章 总结与展望 | 第47-49页 |
| 5.1 本文总结 | 第47-48页 |
| 5.2 展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 作者简介及在学期间所取得的科研成果 | 第53-54页 |
| 致谢 | 第54页 |