| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 研究现状 | 第8-10页 |
| 1.2.1 岩石组分研究现状 | 第8-9页 |
| 1.2.2 深度学习研究现状 | 第9-10页 |
| 1.3 存在的问题 | 第10页 |
| 1.4 论文主要工作 | 第10-11页 |
| 1.5 论文结构安排 | 第11-12页 |
| 第二章 相关理论知识介绍 | 第12-23页 |
| 2.1 岩石孔隙 | 第12-13页 |
| 2.2 深度学习 | 第13-14页 |
| 2.3 卷积神经网络 | 第14-19页 |
| 2.3.1 局部感知 | 第14-15页 |
| 2.3.2 权重共享 | 第15页 |
| 2.3.3 最大池化 | 第15-16页 |
| 2.3.4 ReLU | 第16-17页 |
| 2.3.5 Softmax | 第17-18页 |
| 2.3.6 CNN基本结构 | 第18-19页 |
| 2.4 深度信念网络 | 第19-22页 |
| 2.4.1 受限玻尔兹曼机 | 第19-20页 |
| 2.4.2 对比散度算法 | 第20-21页 |
| 2.4.3 DBN的训练 | 第21页 |
| 2.4.4 Dropout | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于CNN的岩石孔隙组分分类 | 第23-34页 |
| 3.1 CNN网络结构设计 | 第23-25页 |
| 3.2 数据集介绍 | 第25页 |
| 3.3 CNN网络结构调整 | 第25-30页 |
| 3.3.1 卷积层数 | 第25-27页 |
| 3.3.2 卷积核 | 第27-28页 |
| 3.3.3 学习率 | 第28-29页 |
| 3.3.4 RGB色彩空间下基于CNN的岩石孔隙组分分类 | 第29-30页 |
| 3.4 多色彩空间下基于CNN的岩石孔隙组分分类 | 第30-31页 |
| 3.5 基于CNN的岩石孔隙组分分类结果 | 第31-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第四章 基于DBN的岩石孔隙组分分类 | 第34-45页 |
| 4.1 DBN网络结构设计 | 第34-35页 |
| 4.2 DBN网络结构调整 | 第35-39页 |
| 4.2.1 隐藏层数 | 第35-36页 |
| 4.2.2 隐藏层节点数 | 第36-38页 |
| 4.2.3 分类器 | 第38页 |
| 4.2.4 学习率 | 第38-39页 |
| 4.2.5 Dropout对网络性能的影响 | 第39页 |
| 4.3 RGB色彩下基于DBN的岩石孔隙组分分类 | 第39-40页 |
| 4.4 多色彩空间下基于DBN的岩石孔隙组分分类 | 第40-42页 |
| 4.5 基于DBN的岩石孔隙组分分类结果分析 | 第42-43页 |
| 4.6 本章小结 | 第43-45页 |
| 第五章 实验结果对比分析 | 第45-50页 |
| 5.1 CNN与DBN方法对比 | 第45-49页 |
| 5.1.1 多色彩空间下误分率对比 | 第45-47页 |
| 5.1.2 Kappa系数 | 第47-48页 |
| 5.1.3 交叉验证 | 第48-49页 |
| 5.2 本文方法与其他方法对比 | 第49页 |
| 5.3 本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 工作总结 | 第50页 |
| 6.2 展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间发表的论文 | 第56-57页 |