| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题研究背景与研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 极光图像分类算法研究现状 | 第9-11页 |
| 1.2.2 深度学习研究现状 | 第11-13页 |
| 1.3 论文的研究内容与安排 | 第13页 |
| 1.4 本章小结 | 第13-16页 |
| 第2章 基于卷积神经网络的图像分类方法概述 | 第16-22页 |
| 2.1 引言 | 第16页 |
| 2.2 卷积神经网络特性 | 第16-17页 |
| 2.3 卷积神经网络基本组成 | 第17-20页 |
| 2.3.1 卷积层 | 第17-18页 |
| 2.3.2 池化层 | 第18页 |
| 2.3.3 全连接层 | 第18页 |
| 2.3.4 Softmax分类器 | 第18-19页 |
| 2.3.5 训练算法 | 第19-20页 |
| 2.4 本章小结 | 第20-22页 |
| 第3章 基于ASI极光图像自动分类 | 第22-34页 |
| 3.1 引言 | 第22页 |
| 3.2 基于迁移学习的极光图像分类 | 第22-28页 |
| 3.2.1 数据预处理 | 第22-23页 |
| 3.2.2 网络模型 | 第23-24页 |
| 3.2.3 参数设置 | 第24页 |
| 3.2.4 极光图像特征可视化 | 第24-25页 |
| 3.2.5 实验结果 | 第25-26页 |
| 3.2.6 极光图像类型分布规律预测 | 第26-28页 |
| 3.3 基于直接训练CNN网络的极光图像分类 | 第28-32页 |
| 3.3.1 maxout理论基础 | 第28-30页 |
| 3.3.2 网络模型 | 第30-31页 |
| 3.3.3 实验结果 | 第31-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第4章 基于大裕量损失函数的极光图像特征提取 | 第34-46页 |
| 4.1 引言 | 第34页 |
| 4.2 大裕量损失函数的理论基础 | 第34-40页 |
| 4.2.1 Softmax Loss | 第35-36页 |
| 4.2.2 L-Softmax Loss | 第36-38页 |
| 4.2.3 L-Softmax Loss的几何解析 | 第38-39页 |
| 4.2.4 优化 | 第39-40页 |
| 4.3 ASI极光图像特征提取 | 第40-42页 |
| 4.3.1 数据准备 | 第40页 |
| 4.3.2 参数设置 | 第40-41页 |
| 4.3.3 特征提取结果及分析 | 第41-42页 |
| 4.4 对比实验 | 第42-44页 |
| 4.5 本章小结 | 第44-46页 |
| 第5章 总结和展望 | 第46-48页 |
| 5.1 工作总结 | 第46-47页 |
| 5.2 工作展望 | 第47-48页 |
| 参考文献 | 第48-54页 |
| 致谢 | 第54-56页 |
| 攻读硕士学位期间科研成果 | 第56页 |