| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第10-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 深度学习研究现状 | 第12-14页 |
| 1.3 论文主要内容及章节结构 | 第14-17页 |
| 第二章 深度学习理论基础 | 第17-40页 |
| 2.1 传统神经网络模型 | 第17-22页 |
| 2.1.1 感知器 | 第17-18页 |
| 2.1.2 人工神经网络模型 | 第18-19页 |
| 2.1.3 神经网络的训练 | 第19-21页 |
| 2.1.4 传统神经网络存在的问题 | 第21-22页 |
| 2.2 深度置信网 | 第22-27页 |
| 2.2.1 限制玻尔兹曼机 | 第22-23页 |
| 2.2.2 限制玻尔兹曼机的训练 | 第23-25页 |
| 2.2.3 深度置信网模型及训练 | 第25-27页 |
| 2.3 卷积神经网络 | 第27-32页 |
| 2.3.1 卷积和下采样 | 第28-29页 |
| 2.3.2 卷积神经网络模型 | 第29-31页 |
| 2.3.3 卷积神经网络的训练 | 第31-32页 |
| 2.4 实验结果和分析 | 第32-39页 |
| 2.4.1 实验数据介绍 | 第32-33页 |
| 2.4.2 NN对手写数字的识别 | 第33-35页 |
| 2.4.3 DBN对手写数字的识别 | 第35-36页 |
| 2.4.4 CNN对手写数字的识别 | 第36-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第三章 基于DBN的高光谱遥感图像分类 | 第40-55页 |
| 3.1 高光谱遥感图像的识别 | 第40-44页 |
| 3.1.1 高光谱图像介绍 | 第40-41页 |
| 3.1.2 高光谱图像分类方法 | 第41页 |
| 3.1.3 高光谱图像分类结果和精度评价 | 第41-42页 |
| 3.1.4 基于DBN的高光谱图像分类模型 | 第42-44页 |
| 3.2 DBN模型处理Salinas和PaviaU数据集 | 第44-49页 |
| 3.2.1 实验数据介绍 | 第44-45页 |
| 3.2.2 数据集的预处理 | 第45-47页 |
| 3.2.3 DBN模型构建和训练 | 第47-49页 |
| 3.3 实验结果和分析 | 第49-54页 |
| 3.3.1 实验数据和设置 | 第49-50页 |
| 3.3.2 DBN模型参数设置 | 第50-52页 |
| 3.3.3 分类结果和比较 | 第52-54页 |
| 3.4 本章小结 | 第54-55页 |
| 第四章 卷积神经网络在自然场景图像分类中的性能研究 | 第55-72页 |
| 4.1 cifar-10图像库介绍 | 第55-56页 |
| 4.2 CNN相对于NN的优势 | 第56-57页 |
| 4.3 卷积神经网络的构建 | 第57-63页 |
| 4.3.1 Relu激活函数 | 第57-59页 |
| 4.3.2 Softmax采样层 | 第59-60页 |
| 4.3.3 卷积层、下采样层和全连接层的构建 | 第60-62页 |
| 4.3.4 Dropout层 | 第62-63页 |
| 4.4 实验结果与分析 | 第63-71页 |
| 4.4.1 实验参数选取 | 第63-64页 |
| 4.4.2 基于cifar-10的卷积神经网络构建 | 第64-65页 |
| 4.4.3 不同CNN模型的实验结果和讨论 | 第65-69页 |
| 4.4.4 分类结果对比 | 第69-71页 |
| 4.5 本章小结 | 第71-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 本文主要工作 | 第72页 |
| 5.2 进一步工作展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-79页 |
| 在学期间的研究成果及发表的学术论文 | 第79页 |
