| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 课题研究背景及意义 | 第11页 |
| 1.2 语音和图像识别的研究现状和发展趋势 | 第11-12页 |
| 1.2.1 语音识别 | 第11-12页 |
| 1.2.2 图像识别 | 第12页 |
| 1.3 机器学习概述 | 第12-14页 |
| 1.4 本文研究的主要内容及结构 | 第14-16页 |
| 第二章 BP神经网络在语音信号识别中的应用 | 第16-27页 |
| 2.1 MFCC原理和特征提取 | 第16-20页 |
| 2.1.1 MFCC概述 | 第16-17页 |
| 2.1.2 MFCC的特征提取 | 第17-20页 |
| 2.2 BP神经网络模型及其改进 | 第20-22页 |
| 2.2.1 BP神经网络结构 | 第20页 |
| 2.2.2 BP网络的原理 | 第20-21页 |
| 2.2.3 改进的BP神经网络 | 第21-22页 |
| 2.3 模型建立 | 第22-23页 |
| 2.4 仿真实验 | 第23-26页 |
| 2.4.1 数据的选择和归一化 | 第23页 |
| 2.4.2 音乐信号识别分类实验对比 | 第23-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 改进的PSO-SVM在语音信号识别中的应用 | 第27-37页 |
| 3.1 支持向量机原理 | 第27-31页 |
| 3.1.1 分类样本线性可分 | 第27-30页 |
| 3.1.2 分类样本线性不可分 | 第30-31页 |
| 3.2 粒子群优化(PSO)算法及其改进 | 第31-33页 |
| 3.2.1 标准的粒子群算法 | 第31-32页 |
| 3.2.2 改进的PSO算法 | 第32-33页 |
| 3.3 改进的PSO对SVM参数寻优步骤 | 第33页 |
| 3.4 实验结果与分析 | 第33-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 PCA在手写数字识别中的应用 | 第37-45页 |
| 4.1 PCA原理 | 第37页 |
| 4.2 主成分分析的几何意义 | 第37-38页 |
| 4.3 贡献率和累计贡献率 | 第38-39页 |
| 4.4 主成分分析算法步骤 | 第39页 |
| 4.5 仿真实验与结果分析 | 第39-44页 |
| 4.5.1 PCA降维处理 | 第40-42页 |
| 4.5.2 仿真实验 | 第42-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 改进的CNN在SAR目标识别中的应用 | 第45-56页 |
| 5.1 卷积神经网络和SAR概述 | 第45页 |
| 5.2 卷积神经网络的结构 | 第45-47页 |
| 5.3 卷积神经网络的训练 | 第47-49页 |
| 5.3.1 适用于CNN的BP算法 | 第47-49页 |
| 5.4 改进的卷积神经网络 | 第49-52页 |
| 5.4.1 softmax介绍 | 第49-51页 |
| 5.4.2 改进的CNN | 第51-52页 |
| 5.5 仿真实验 | 第52-55页 |
| 5.5.1 数据来源 | 第52-53页 |
| 5.5.2 实验和结果分析 | 第53-55页 |
| 5.6 本章小节 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 本文的主要研究内容和成果 | 第56页 |
| 6.2 存在的问题和展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士期间发表的论文及所取得的研究成果 | 第63-64页 |
| 致谢 | 第64-65页 |