深度学习用于天文图像空间碎片和恒星的分类
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景以及研究的意义 | 第9-10页 |
| 1.2 研究现状与不足 | 第10-11页 |
| 1.3 目前主流应用软件的介绍 | 第11-12页 |
| 1.4 论文的主要工作及安排 | 第12-15页 |
| 第二章 空间碎片及预警 | 第15-21页 |
| 2.1 空间碎片研究现状及其危害 | 第15-18页 |
| 2.2 空间碎片预警以及国际关于碎片预警现状 | 第18-21页 |
| 第三章 深度学习及卷积神经网络 | 第21-41页 |
| 3.1 神经网络 | 第21-32页 |
| 3.1.1 神经元 | 第21-24页 |
| 3.1.2 前馈以及反馈神经网络 | 第24-28页 |
| 3.1.3 反向传播神经网络 | 第28-29页 |
| 3.1.4 神经网络的学习规则 | 第29-30页 |
| 3.1.5 神经网络目前的不足 | 第30-32页 |
| 3.2 深度学习概述 | 第32-35页 |
| 3.2.1 递归神经网络 | 第32-33页 |
| 3.2.2 卷积神经网络 | 第33-35页 |
| 3.3 卷积神经网络（CNN） | 第35-40页 |
| 3.3.1 卷积神经网络基本模型 | 第35-37页 |
| 3.3.2 稀疏连接和权值共享 | 第37-38页 |
| 3.3.3 CNN的应用 | 第38-39页 |
| 3.3.4 目前几种主流框架的介绍 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于CNN的空间碎片识别 | 第41-53页 |
| 4.1 数据来源以及处理 | 第41-44页 |
| 4.2 卷积神经网络的基本构建 | 第44-47页 |
| 4.3 学习参数的选取方法 | 第47-48页 |
| 4.3.1 目前研究采用的选取方法 | 第47页 |
| 4.3.2 基于皮尔森检验的筛选方法 | 第47-48页 |
| 4.4 结果及讨论 | 第48-53页 |
| 第五章 CNN对信噪比耐受性的评估 | 第53-57页 |
| 5.1 对于CNN削弱噪声的理论推导 | 第53-54页 |
| 5.2 实验配置和结果 | 第54-56页 |
| 5.3 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
