| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 国外研究现状 | 第9-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 全文内容安排 | 第12-14页 |
| 第二章 深度学习理论研究 | 第14-28页 |
| 2.1 人工神经网络 | 第14-19页 |
| 2.1.1 概述 | 第14-15页 |
| 2.1.2 神经网络原理 | 第15页 |
| 2.1.3 单层感知器 | 第15-16页 |
| 2.1.4 BP神经网络 | 第16-19页 |
| 2.2 卷积神经网络 | 第19-27页 |
| 2.2.1 概述 | 第19-20页 |
| 2.2.2 卷积神经网络的网络结构 | 第20-23页 |
| 2.2.3 卷积神经网络的训练 | 第23-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于卷积神经网络的图像识别模型 | 第28-42页 |
| 3.1 图像识别的总体模型 | 第28-29页 |
| 3.2 数据库的设计 | 第29页 |
| 3.3 学习模型网络结构的设计 | 第29-36页 |
| 3.3.1 第一卷积层 | 第29-31页 |
| 3.3.2 第二卷积层 | 第31-32页 |
| 3.3.3 第三卷积层 | 第32-33页 |
| 3.3.4 第四卷积层 | 第33-34页 |
| 3.3.5 第五卷积层 | 第34页 |
| 3.3.6 第六卷积层 | 第34-35页 |
| 3.3.7 第一全连接层 | 第35-36页 |
| 3.3.8 第二全连接层 | 第36页 |
| 3.3.9 输出层 | 第36页 |
| 3.4 激活函数的选择 | 第36-40页 |
| 3.4.1 Sigmoid函数 | 第37-38页 |
| 3.4.2 Tanh函数 | 第38页 |
| 3.4.3 Relu函数 | 第38-39页 |
| 3.4.4 Maxout函数 | 第39-40页 |
| 3.4.5 Softmax函数 | 第40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于TENSORFLOW的图像识别模型搭建 | 第42-52页 |
| 4.1 实验环境 | 第42-43页 |
| 4.1.1 开发环境 | 第42页 |
| 4.1.2 TensorFlow学习框架 | 第42-43页 |
| 4.2 图像预处理 | 第43-46页 |
| 4.3 学习模型的实现 | 第46-49页 |
| 4.4 学习模型的训练 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 参数选取与结果分析 | 第52-62页 |
| 5.1 网络参数的选取 | 第52-55页 |
| 5.2 训练结果分析 | 第55-58页 |
| 5.2.1 代价函数与准确率 | 第55-56页 |
| 5.2.2 Conv1、Conv2层权值偏置值的变化分析 | 第56-57页 |
| 5.2.3 Softmax层权值偏置值的变化分析 | 第57-58页 |
| 5.3 模型验证与对比分析 | 第58-61页 |
| 5.3.1 模型验证 | 第58-59页 |
| 5.3.2 对比分析 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间发表的学术论文及研究成果 | 第67-68页 |
| 个人简历 | 第68页 |