| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 国内外研究历史与现状 | 第15-18页 |
| 1.2.1 无监督方法 | 第15-16页 |
| 1.2.2 有监督方法 | 第16-18页 |
| 1.3 本文的主要工作与创新 | 第18页 |
| 1.4 本论文的结构安排 | 第18-20页 |
| 第二章 叠前地震波形分类技术原理 | 第20-33页 |
| 2.1 叠前地震数据降噪预处理 | 第20-23页 |
| 2.2 叠前地震数据降维和特征提取 | 第23-30页 |
| 2.2.1 主成分分析 | 第23-24页 |
| 2.2.2 奇异值分解 | 第24-25页 |
| 2.2.3 自编码器 | 第25-30页 |
| 2.3 分类识别算法 | 第30-32页 |
| 2.3.1 无监督算法 | 第31页 |
| 2.3.2 半监督算法 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于深度卷积自编码器的无监督叠前地震波形分类方法 | 第33-53页 |
| 3.1 深度神经网络 | 第33-36页 |
| 3.1.1 多隐层前馈神经网络 | 第33-34页 |
| 3.1.2 反向传播算法 | 第34-36页 |
| 3.2 卷积神经网络 | 第36-40页 |
| 3.2.1 卷积 | 第36-38页 |
| 3.2.2 池化 | 第38-39页 |
| 3.2.3 激活函数 | 第39-40页 |
| 3.2.4 批量归一化 | 第40页 |
| 3.3 学习算法及训练策略 | 第40-41页 |
| 3.3.1 数据预处理 | 第40-41页 |
| 3.3.2 网络模型参数初始化 | 第41页 |
| 3.4 基于深度卷积自编码器的叠前地震波形特征提取 | 第41-44页 |
| 3.4.1 深度卷积自编码器 | 第41-42页 |
| 3.4.2 数据预处理和建模 | 第42-43页 |
| 3.4.3 无监督的特征学习 | 第43-44页 |
| 3.5 基于FSOM算法的无监督叠前地震波形分类 | 第44-48页 |
| 3.5.1 自组织映射神经网络 | 第44-46页 |
| 3.5.2 模糊自组织映射网络 | 第46-48页 |
| 3.6 算法总体描述及其应用 | 第48-52页 |
| 3.6.1 算法总体描述 | 第48-49页 |
| 3.6.2 算法实际应用 | 第49-52页 |
| 3.7 本章小结 | 第52-53页 |
| 第四章 基于深度卷积生成对抗网络的叠前地震波形分类方法 | 第53-68页 |
| 4.1 生成对抗网络的基本原理 | 第53-58页 |
| 4.1.1 网络模型的产生 | 第54-55页 |
| 4.1.2 网络模型的数学物理描述 | 第55-58页 |
| 4.2 深度卷积对抗生成网络 | 第58-62页 |
| 4.2.1 网络模型的基本结构 | 第58-61页 |
| 4.2.2 网络模型的性能分析 | 第61-62页 |
| 4.3 算法总体描述及应用 | 第62-65页 |
| 4.3.1 算法总体描述 | 第63-64页 |
| 4.3.2 算法实际应用 | 第64-65页 |
| 4.4 本章小结 | 第65-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 全文总结 | 第68-69页 |
| 5.2 工作展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻硕期间取得的研究成果 | 第75页 |
