| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第17-23页 |
| 1.1 课题背景及意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-20页 |
| 1.3 主要研究内容 | 第20-21页 |
| 1.4 本文主要结构 | 第21页 |
| 1.5 主要工具 | 第21-23页 |
| 第2章 卷积神经网络的基本特征及关键参数 | 第23-39页 |
| 2.1 传统神经网络模型 | 第23-24页 |
| 2.2 卷积神经网络基本结构 | 第24-31页 |
| 2.3 基本特征 | 第31-33页 |
| 2.3.1 稀疏连接 | 第31-32页 |
| 2.3.2 权值共享 | 第32页 |
| 2.3.3 降采样 | 第32页 |
| 2.3.4 端到端 | 第32-33页 |
| 2.4 数据集配置 | 第33-34页 |
| 2.5 误差评价 | 第34-37页 |
| 2.5.1 卷积神经网络的误差 | 第34-36页 |
| 2.5.2 过拟合与欠拟合 | 第36-37页 |
| 2.6 小结 | 第37-39页 |
| 第3章 卷积神经网络的性能优化方法研究 | 第39-60页 |
| 3.1 数据集分布对图像分类准确度的影响 | 第39-42页 |
| 3.1.1 多样性特征 | 第39-41页 |
| 3.1.2 数据增强方法 | 第41-42页 |
| 3.2 基于网络结构优化的准确度提升方法 | 第42-47页 |
| 3.2.1 层结构优化 | 第42-46页 |
| 3.2.2 参数优化方法 | 第46-47页 |
| 3.3 基于多算法融合的过拟合问题解决方法 | 第47-54页 |
| 3.3.1 正则化 | 第48-50页 |
| 3.3.2 网络稀疏性优化 | 第50-52页 |
| 3.3.3 层数据分布特征优化 | 第52-54页 |
| 3.4 基于硬件加速及梯度下降优化的效率提升方法 | 第54-58页 |
| 3.4.1 GPU加速对训练效率的影响 | 第55页 |
| 3.4.2 梯度下降优化方法 | 第55-58页 |
| 3.5 小结 | 第58-60页 |
| 第4章 基于自适应尺寸及迁移学习的地基云图分类研究 | 第60-80页 |
| 4.1 地基云图分类问题研究 | 第60-61页 |
| 4.2 全天空云图仪数据集配置 | 第61-67页 |
| 4.2.1 全天空云图仪的研制及数据采集 | 第61-62页 |
| 4.2.2 数据库 | 第62-63页 |
| 4.2.3 标准化及数据增强 | 第63-66页 |
| 4.2.4 数据集划分 | 第66-67页 |
| 4.3 网络模型搭建 | 第67-70页 |
| 4.3.1 网络基本结构 | 第67-69页 |
| 4.3.2 参数初始化 | 第69页 |
| 4.3.3 反向传播 | 第69-70页 |
| 4.4 实验结果分析 | 第70-74页 |
| 4.4.1 数据增强对测试结果的影响 | 第70-71页 |
| 4.4.2 模型优化结果对比 | 第71-74页 |
| 4.5 基于迁移学习的网络模型实现 | 第74-79页 |
| 4.5.1 迁移学习方法 | 第74-75页 |
| 4.5.2 训练及测试结果 | 第75-78页 |
| 4.5.3 云图样本的测试 | 第78-79页 |
| 4.6 小结 | 第79-80页 |
| 第5章 基于多尺度分割及尺寸匹配的烟丝组分分类方法 | 第80-104页 |
| 5.1 烟丝显著特征分析 | 第80-89页 |
| 5.1.1 均匀性 | 第81-83页 |
| 5.1.2 方正度 | 第83-85页 |
| 5.1.3 规则度 | 第85-86页 |
| 5.1.4 纹理特征 | 第86-88页 |
| 5.1.5 微观特征 | 第88-89页 |
| 5.2 数据集配置 | 第89-94页 |
| 5.2.1 烟丝局部特征分析 | 第89-91页 |
| 5.2.2 数据增强 | 第91-93页 |
| 5.2.3 数据集划分 | 第93-94页 |
| 5.3 烟丝分类识别模型 | 第94-100页 |
| 5.3.1 烟丝组分识别模型结构 | 第94-96页 |
| 5.3.2 卷积神经网络的搭建 | 第96页 |
| 5.3.3 卷积神经网络的训练与优化 | 第96-100页 |
| 5.4 烟丝样本的测试 | 第100-102页 |
| 5.4.1 图像尺寸匹配 | 第100-101页 |
| 5.4.2 测试结果分析 | 第101-102页 |
| 5.5 小结 | 第102-104页 |
| 第6章 总结与展望 | 第104-107页 |
| 6.1 本文总结 | 第104-105页 |
| 6.2 工作与展望 | 第105-107页 |
| 参考文献 | 第107-112页 |
| 致谢 | 第112-113页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第113页 |