双通道卷积神经网络深度学习方法研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 国内外发展现状 | 第12-15页 |
| 1.3 本文主要研究工作 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第二章 单通道卷积神经网络模型的研究 | 第18-37页 |
| 2.1 单通道卷积神经网络模型的设计 | 第18-24页 |
| 2.1.1 模型总体结构 | 第18-19页 |
| 2.1.2 特征提取 | 第19-22页 |
| 2.1.3 单池化层 | 第22-24页 |
| 2.1.4 特征分类 | 第24页 |
| 2.2 单通道卷积神经网络模型的训练 | 第24-28页 |
| 2.2.1 前向传播 | 第24-26页 |
| 2.2.2 反向传播 | 第26-28页 |
| 2.3 模型超参数与网络结构的优化 | 第28-30页 |
| 2.3.1 基于Dropout算法的优化 | 第28页 |
| 2.3.2 基于批归一化算法的优化 | 第28-30页 |
| 2.4 实验结果及分析 | 第30-36页 |
| 2.4.1 实验环境及配置 | 第31-32页 |
| 2.4.2 Dropout实验 | 第32-33页 |
| 2.4.3 批归一化实验 | 第33页 |
| 2.4.4 图像识别实验 | 第33-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 双通道卷积神经网络模型的研究 | 第37-67页 |
| 3.1 双通道卷积神经网络模型的设计 | 第37-44页 |
| 3.1.1 模型总体结构 | 第37-39页 |
| 3.1.2 特征提取 | 第39-41页 |
| 3.1.3 双池化层 | 第41-42页 |
| 3.1.4 特征分类 | 第42-44页 |
| 3.2 双通道卷积神经网络模型的训练 | 第44-47页 |
| 3.2.1 前向传播 | 第44-45页 |
| 3.2.2 反向传播 | 第45-47页 |
| 3.3 模型超参数与网络结构的优化 | 第47-52页 |
| 3.3.1 基于衰减因子的优化 | 第47-48页 |
| 3.3.2 基于网络结构块的优化 | 第48-52页 |
| 3.4 实验结果及分析 | 第52-66页 |
| 3.4.1 实验环境及配置 | 第52页 |
| 3.4.2 Dropout实验 | 第52-54页 |
| 3.4.3 学习率实验 | 第54-56页 |
| 3.4.4 双池化层实验 | 第56-57页 |
| 3.4.5 衰减因子实验 | 第57-58页 |
| 3.4.6 网络结构块实验 | 第58-59页 |
| 3.4.7 图像识别实验 | 第59-66页 |
| 3.5 本章小结 | 第66-67页 |
| 第四章 卷积神经网络在航班延误预测中的应用 | 第67-76页 |
| 4.1 概述 | 第67-68页 |
| 4.2 模型训练流程 | 第68-70页 |
| 4.3 数据介绍及预处理 | 第70-72页 |
| 4.4 模型的网络结构 | 第72-73页 |
| 4.5 航班延误等级划分 | 第73-74页 |
| 4.6 航班延误预测 | 第74-75页 |
| 4.7 本章小结 | 第75-76页 |
| 第五章 总结与展望 | 第76-78页 |
| 参考文献 | 第78-85页 |
| 致谢 | 第85-86页 |
| 攻读硕士期间所发表的论文 | 第86页 |
