深度学习在数据压缩中的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文研究内容及论文结构 | 第11-12页 |
| 第2章 相关理论及技术概述 | 第12-21页 |
| 2.1 传统数据压缩算法介绍 | 第12-13页 |
| 2.2 深度学习模型介绍 | 第13-18页 |
| 2.2.1 卷积神经网络 | 第16页 |
| 2.2.2 深度信念网络 | 第16-17页 |
| 2.2.3 堆栈式自编码网络 | 第17-18页 |
| 2.3 K-means聚类算法 | 第18-19页 |
| 2.4 粒子群优化算法 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 基于稀疏自动编码器的图像压缩 | 第21-34页 |
| 3.1 稀疏自动编码器的理论研究 | 第21-23页 |
| 3.1.1 稀疏自动编码器的介绍 | 第21-22页 |
| 3.1.2 稀疏自动编码器的训练 | 第22-23页 |
| 3.2 基于稀疏自动编码器的图像压缩模型 | 第23-26页 |
| 3.2.1 图像特征分析 | 第23页 |
| 3.2.2 图像分块分类 | 第23-25页 |
| 3.2.3 图像压缩模型建立 | 第25-26页 |
| 3.3 实验及结果分析 | 第26-33页 |
| 3.3.1 实验步骤 | 第27-30页 |
| 3.3.2 结果分析 | 第30-31页 |
| 3.3.3 交叉验证 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于稀疏自动编码器的智能电表数据压缩 | 第34-43页 |
| 4.1 智能电表数据压缩模型的理论研究 | 第34-36页 |
| 4.1.1 智能电表数据分析 | 第34-35页 |
| 4.1.2 数据补全和校正 | 第35-36页 |
| 4.2 智能电表数据压缩模型的理论研究 | 第36-37页 |
| 4.2.1 智能电表数据无损编码 | 第36-37页 |
| 4.2.2 智能电表数据重构 | 第37页 |
| 4.3 实验及结果分析 | 第37-42页 |
| 4.3.1 实验步骤 | 第37-39页 |
| 4.3.2 结果分析 | 第39-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 数据压缩软件的设计与实现 | 第43-50页 |
| 5.1 软件的总体设计 | 第43-44页 |
| 5.2 软件的功能设计 | 第44-45页 |
| 5.3 数据库设计 | 第45-46页 |
| 5.4 软件的结果展示与分析 | 第46-49页 |
| 5.5 本章小结 | 第49-50页 |
| 第6章 结论和展望 | 第50-52页 |
| 6.1 本文工作总结 | 第50-51页 |
| 6.2 不足与展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55页 |
