改进的卷积神经网络模型及其应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 本文的研究背景及其意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 激活函数研究现状 | 第11-13页 |
| 1.2.2 卷积神经网络结构研究现状 | 第13页 |
| 1.3 存在的问题 | 第13-14页 |
| 1.4 论文主要内容和组织结构 | 第14-16页 |
| 2 卷积神经网络 | 第16-28页 |
| 2.1 概述 | 第16页 |
| 2.2 卷积神经网络的基本思想 | 第16-18页 |
| 2.2.1 局部连接与权值共享 | 第16-17页 |
| 2.2.2 子采样操作 | 第17-18页 |
| 2.3 卷积神经网络结构 | 第18-24页 |
| 2.3.1 卷积层 | 第19页 |
| 2.3.2 子采样层 | 第19-20页 |
| 2.3.3 分类器 | 第20-24页 |
| 2.4 卷积神经网络的训练 | 第24-27页 |
| 2.4.1 卷积神经网络的有监督学习 | 第24-26页 |
| 2.4.2 卷积神经网络的无监督学习 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 基于稀疏maxout的卷积神经网络 | 第28-37页 |
| 3.1 maxout神经网络 | 第28-29页 |
| 3.2 稀疏maxout卷积神经网络 | 第29-31页 |
| 3.3 试验数据集介绍 | 第31-33页 |
| 3.3.1 MNIST | 第31-32页 |
| 3.3.2 CIFAR-10 | 第32-33页 |
| 3.4 试验结果 | 第33-35页 |
| 3.4.1 MNIST试验 | 第34-35页 |
| 3.4.2 CIFAR-10试验 | 第35页 |
| 3.5 试验结果分析 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 4 基于k-means的卷积神经网络 | 第37-43页 |
| 4.1 k-means卷积神经网络 | 第37-39页 |
| 4.2 试验结果 | 第39-42页 |
| 4.2.1 MNIST试验 | 第39-40页 |
| 4.2.2 CIFAR-10试验 | 第40-42页 |
| 4.3 试验结果分析 | 第42页 |
| 4.4 本章小结 | 第42-43页 |
| 5 卷积神经网络在交通标志识别中的应用 | 第43-55页 |
| 5.1 GTSRB数据集介绍 | 第43-45页 |
| 5.2 算法基本流程 | 第45页 |
| 5.3 算法描述 | 第45-51页 |
| 5.3.1 图像预处理 | 第47-50页 |
| 5.3.2 特征提取 | 第50-51页 |
| 5.3.3 多级分类 | 第51页 |
| 5.4 试验 | 第51-54页 |
| 5.4.1 数据预处理 | 第51-52页 |
| 5.4.2 k-均值特征提取 | 第52-53页 |
| 5.4.3 粗分类结果 | 第53页 |
| 5.4.4 细分类结果 | 第53页 |
| 5.4.5 最终分类结果及结果分析 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 1 全文总结 | 第55页 |
| 2 未来展望 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 攻读硕士学位期间发表学术论文情况 | 第63-64页 |
| 致谢 | 第64-65页 |
