| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 不良数据的研究现状 | 第12-14页 |
| 1.2.2 状态估计的研究现状 | 第14-15页 |
| 1.2.3 深度学习研究现状 | 第15-18页 |
| 1.3 本文主要工作 | 第18-19页 |
| 第2章 深度学习相关模型与训练 | 第19-29页 |
| 2.1 深度学习的几种模型与方法 | 第19-26页 |
| 2.1.1 卷积神经网络 | 第19-20页 |
| 2.1.2 深度神经网络 | 第20-22页 |
| 2.1.3 受限玻尔兹曼机 | 第22-24页 |
| 2.1.4 深度信念网络 | 第24-26页 |
| 2.2 深度学习架构的训练 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 基于深度信念神经网络理论的不良数据辨识方法研究 | 第29-43页 |
| 3.1 数据处理与分类标准 | 第29-30页 |
| 3.1.1 数据的预处理 | 第29-30页 |
| 3.1.2 判别不良数据的标准 | 第30页 |
| 3.2 深度信念神经网络模型 | 第30-34页 |
| 3.2.0 模型的设计 | 第30-31页 |
| 3.2.1 模型的训练 | 第31-33页 |
| 3.2.2 影响训练效果的因素 | 第33-34页 |
| 3.3 基于深度信念神经网络的不良数据辨识方法 | 第34-37页 |
| 3.3.1 数据源 | 第34页 |
| 3.3.2 网架结构发生变化的修正处理 | 第34-36页 |
| 3.3.3 基本步骤及流程图 | 第36-37页 |
| 3.4 仿真实验 | 第37-42页 |
| 3.4.1 学习率对模型性能的影响 | 第37-38页 |
| 3.4.2 不同训练样本下的辨识能力 | 第38-39页 |
| 3.4.3 网架结构变化的适应性实验 | 第39-40页 |
| 3.4.4 几种不良数据识别方法仿真对比 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于深度信念神经网络理论的状态估计方法 | 第43-53页 |
| 4.1 状态估计精度 | 第43页 |
| 4.2 基于深度信念神经网络的状态估计方法 | 第43-46页 |
| 4.2.1 基于DBN-DNN的状态估计模型 | 第44-45页 |
| 4.2.2 基于DBN-DNN的状态估计训练方法 | 第45-46页 |
| 4.3 仿真实验 | 第46-52页 |
| 4.3.1 算法精度测试 | 第46-49页 |
| 4.3.2 算法效率测试 | 第49-50页 |
| 4.3.3 网架结构变化的适应性测试 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第58-59页 |
| 致谢 | 第59页 |