| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文主要内容和结构 | 第10-12页 |
| 第二章 循环卷积神经网络的结构设计 | 第12-20页 |
| 2.1 感知器单元 | 第12页 |
| 2.2 神经网络 | 第12-13页 |
| 2.3 卷积神经网络 | 第13-16页 |
| 2.3.1 局部感知 | 第13-14页 |
| 2.3.2 参数共享 | 第14-15页 |
| 2.3.3 下采样 | 第15-16页 |
| 2.4 循环神经网络 | 第16-17页 |
| 2.5 循环卷积神经网络 | 第17-20页 |
| 2.5.1 循环卷积神经网络的结构 | 第17页 |
| 2.5.2 循环卷积神经网络的参数 | 第17-20页 |
| 第三章 循环卷积神经网络在图像分类中的应用分析 | 第20-32页 |
| 3.1 激活函数 | 第20页 |
| 3.2 交叉代熵代价函数 | 第20-21页 |
| 3.3 MNIST数据集 | 第21-22页 |
| 3.4 CIFAR-10数据集 | 第22页 |
| 3.5 循环卷积神经网络分类 | 第22-24页 |
| 3.5.1 循环卷积神经网络输入层 | 第22页 |
| 3.5.2 循环卷积神经网络隐藏层 | 第22-23页 |
| 3.5.3 循环卷积神经网络输出层 | 第23-24页 |
| 3.6 Softmax回归 | 第24页 |
| 3.7 批量随机梯度下降算法 | 第24-26页 |
| 3.7.1 梯度下降算法 | 第25页 |
| 3.7.2 批量随机梯度下降算法 | 第25-26页 |
| 3.8 过度拟合 | 第26-32页 |
| 3.8.1 隐藏层神经元数目 | 第26-27页 |
| 3.8.2 批量化数据 | 第27-28页 |
| 3.8.3 规范化参数 | 第28-29页 |
| 3.8.4 学习率 | 第29-32页 |
| 第四章 LSGD训练的循环卷积神经网络图像目标分类 | 第32-40页 |
| 4.1 试进退算法 | 第32页 |
| 4.2 学习率的自适应 | 第32页 |
| 4.3 黄金分割算法 | 第32-33页 |
| 4.4 规范化参数的调整 | 第33-34页 |
| 4.5 实验结果 | 第34-40页 |
| 4.5.1 图像目标分类准确率 | 第34-36页 |
| 4.5.2 图像目标分类收敛性 | 第36-40页 |
| 第五章 BFGS训练循环卷积神经网络的ELM图像目标分类 | 第40-48页 |
| 5.1 极限学习机 | 第40-41页 |
| 5.2 循环卷积神经网络和极限学习机的结合 | 第41-42页 |
| 5.3 BFGS算法 | 第42-43页 |
| 5.4 实验结果 | 第43-48页 |
| 5.4.1 图像目标分类准确率 | 第44-45页 |
| 5.4.2 图像目标分类收敛性 | 第45-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 总结 | 第48-49页 |
| 6.2 展望 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-56页 |
| 攻读硕士学位期间科研成果 | 第56页 |
| 一、学术论文 | 第56页 |
| 二、所获奖项 | 第56页 |