| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题背景和研究意义 | 第10-11页 |
| 1.2 研究内容和难点 | 第11-12页 |
| 1.3 本课题的贡献 | 第12-13页 |
| 1.4 本课题的组织结构 | 第13-14页 |
| 第二章 相关理论研究 | 第14-22页 |
| 2.1 卫星定位技术相关理论 | 第14-15页 |
| 2.1.1 卫星定位技术发展现状 | 第14页 |
| 2.1.2 GPS卫星定位技术原理 | 第14-15页 |
| 2.2 深度学习相关理论 | 第15-21页 |
| 2.2.1 深度学习发展现状 | 第15页 |
| 2.2.2 深度信念网络的研究 | 第15-17页 |
| 2.2.3 循环神经网络研究 | 第17-20页 |
| 2.2.4 卷积神经网络研究 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 误差补偿模型的研究及仿真 | 第22-38页 |
| 3.1 误差补偿模型的研究概述 | 第22页 |
| 3.2 数据采集 | 第22-24页 |
| 3.2.1 数据采集设备简介 | 第22-24页 |
| 3.2.2 数据采集方法 | 第24页 |
| 3.3 数据预处理 | 第24-27页 |
| 3.3.1 原始数据去噪处理 | 第24-26页 |
| 3.3.2 训练数据归一化 | 第26-27页 |
| 3.4 初始化神经网络 | 第27-33页 |
| 3.4.1 权重初始化 | 第27-28页 |
| 3.4.2 网络正则化 | 第28-30页 |
| 3.4.3 神经网络激活函数 | 第30-32页 |
| 3.4.4 神经网络损失函数 | 第32-33页 |
| 3.5 构建误差补偿模型 | 第33-36页 |
| 3.5.1 构建工具和框架 | 第33-34页 |
| 3.5.2 深度信念网络模型构建 | 第34页 |
| 3.5.3 循环神经网络模型构建 | 第34-35页 |
| 3.5.4 卷积神经网络模型构建 | 第35-36页 |
| 3.6 本章小结 | 第36-38页 |
| 第四章 误差补偿模型的测试与性能分析 | 第38-64页 |
| 4.1 测试与性能分析概述 | 第38页 |
| 4.2 数据归一化方法测试与性能分析 | 第38-41页 |
| 4.2.1 Min-max归一化方法测试与性能分析 | 第39-40页 |
| 4.2.2 Z-score 0归一化方法测试与性能分析 | 第40-41页 |
| 4.3 深度信念网络误差补偿模型测试与性能分析 | 第41-48页 |
| 4.3.1 深度信念网络权重与激活函数测试与性能分析 | 第41-46页 |
| 4.3.2 Dropout率对深度信念网络性能的影响 | 第46-48页 |
| 4.4 循环神经网络误差补偿模型测试与性能分析 | 第48-55页 |
| 4.4.1 循环神经网络网络权重与激活函数测试与性能分析 | 第48-53页 |
| 4.4.2 Dropout率对循环神经网络性能的影响 | 第53-55页 |
| 4.5 卷积神经网络误差补偿模型测试与性能分析 | 第55-61页 |
| 4.5.1 卷积神经网络权重与激活函数测试与性能分析 | 第55-60页 |
| 4.5.2 Dropout率对卷积神经网络性能的影响 | 第60-61页 |
| 4.6 三种误差补偿模型性能对比 | 第61-63页 |
| 4.7 本章小结 | 第63-64页 |
| 第五章 结束语 | 第64-66页 |
| 5.1 论文工作总结 | 第64-65页 |
| 5.2 下阶段研究方向 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-74页 |
| 攻读学位期间发表的学术论文目录 | 第74页 |
