P-GAX：基于深度学习的自我修复网络算法
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究目的及意义 | 第13页 |
| 1.2.1 研究目的 | 第13页 |
| 1.2.2 研究意义 | 第13页 |
| 1.3 研究现状 | 第13-15页 |
| 1.4 P-GAX算法的提出 | 第15-16页 |
| 1.5 研究内容 | 第16页 |
| 1.6 本文创新点 | 第16页 |
| 1.7 本文组织结构 | 第16-18页 |
| 第二章 本文的相关理论及基础知识 | 第18-27页 |
| 2.1 GAN网络 | 第18-20页 |
| 2.1.1 GAN网络概述 | 第18页 |
| 2.1.2 GAN网络基本原理 | 第18-19页 |
| 2.1.3 GAN网络训练步骤 | 第19-20页 |
| 2.1.4 GAN相关网络简介 | 第20页 |
| 2.2 DeepXplore基本介绍 | 第20-23页 |
| 2.2.1 DNN BUG | 第20页 |
| 2.2.2 DeepXplore概述及原理 | 第20-22页 |
| 2.2.3 CDeepXplore简介 | 第22-23页 |
| 2.3 常用的生成模型 | 第23-24页 |
| 2.4 几种常见的优化算法 | 第24-25页 |
| 2.4.1 SGD | 第24页 |
| 2.4.2 RMSProp | 第24-25页 |
| 2.5 漏洞率、信赖度与修复速率 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 P-GAX算法模型 | 第27-43页 |
| 3.1 P-GAX算法概述 | 第27-28页 |
| 3.2 P-GAX算法结构 | 第28-32页 |
| 3.2.1 判别器 | 第28-29页 |
| 3.2.2 判别器-生成器 | 第29-30页 |
| 3.2.3 CDeepXplore-生成器 | 第30-32页 |
| 3.3 P-GAX算法工作流程 | 第32-33页 |
| 3.4 P-GAX算法数学基础 | 第33-35页 |
| 3.4.1 判别器-生成器 | 第33-34页 |
| 3.4.2 CDeepXplore-生成器 | 第34-35页 |
| 3.5 P-GAX算法伪代码 | 第35-36页 |
| 3.6 P-GAX算法优缺点 | 第36-40页 |
| 3.6.1 P-GAX算法优点 | 第36-38页 |
| 3.6.2 P-GAX算法缺点 | 第38-40页 |
| 3.7 P-GAX算法用例 | 第40-41页 |
| 3.7.1 生成器算法 | 第40-41页 |
| 3.7.2 判别器算法 | 第41页 |
| 3.8 本章小结 | 第41-43页 |
| 第四章 实验过程及结果分析 | 第43-51页 |
| 4.1 实验设计 | 第43-44页 |
| 4.1.1 实验平台及工具 | 第43页 |
| 4.1.2 实验数据集 | 第43页 |
| 4.1.3 实验目的 | 第43-44页 |
| 4.2 实验过程 | 第44-50页 |
| 4.2.1 P-GAX算法性能度量实验 | 第45-48页 |
| 4.2.2 P-GAX算法自我修复实验 | 第48-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51-52页 |
| 5.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57页 |
