| 摘要 | 第3-6页 |
| Abstract | 第6页 |
| 第一章 前言 | 第9-13页 |
| 1.1 卷积神经网络国内外研究现状 | 第9-10页 |
| 1.1.1 深度学习技术 | 第9页 |
| 1.1.2 卷积神经网络 | 第9页 |
| 1.1.3 卷积神经网络的应用领域及研究现状 | 第9-10页 |
| 1.2 基于卷积神经网络的移动机器人避障 | 第10-11页 |
| 1.2.1 研究移动机器人技术 | 第10页 |
| 1.2.2 移动机器人所需的图像处理技术 | 第10页 |
| 1.2.3 基于卷积神经网络的移动机器人避障 | 第10-11页 |
| 1.3 本文研究的内容 | 第11-12页 |
| 1.4 论文结构及内容安排 | 第12-13页 |
| 第二章 人工神经网络数学基础 | 第13-18页 |
| 2.1 神经元模型 | 第13-14页 |
| 2.1.1 感知机模型 | 第13-14页 |
| 2.1.2 其他类型的神经元模型 | 第14页 |
| 2.2 多层感知机 | 第14-15页 |
| 2.3 神经网络矢量化 | 第15页 |
| 2.4 误差反向传播算法 | 第15-16页 |
| 2.5 卷积神经网络 | 第16-18页 |
| 2.5.1 卷积层定义 | 第16页 |
| 2.5.2 零补法 | 第16-17页 |
| 2.5.3 卷积步长 | 第17页 |
| 2.5.4 池化层定义 | 第17页 |
| 2.5.5 权值共享下的卷积层误差反向传播算法 | 第17-18页 |
| 第三章 卷积神经网络算法改进 | 第18-23页 |
| 3.1 基于卷积层滤波器维数扩充的算法改进 | 第18-20页 |
| 3.1.1 2维图像数据的滤波处理定义 | 第18-19页 |
| 3.1.2 三维体积元数据的滤镜处理定义 | 第19页 |
| 3.1.3 3维卷积层的权值矩阵的构建 | 第19-20页 |
| 3.1.4 多通道3维体积元数据的卷积定义 | 第20页 |
| 3.2 基于卷积层训练方式的卷积神经网络算法改进 | 第20-23页 |
| 3.2.1 卷积神经网络与传统图像处理之间的联系 | 第20-22页 |
| 3.2.2 基于遗传算法的卷积层系数学习 | 第22-23页 |
| 第四章 基于卷积神经网络的移动机器人避障及场景切换识别 | 第23-35页 |
| 4.0 实验概述 | 第23页 |
| 4.1 实验器材及行走环境 | 第23-27页 |
| 4.1.1 实验中所用履带车机器人 | 第23-24页 |
| 4.1.2 OpenCV与网络摄像头 | 第24-26页 |
| 4.1.3 基于机器人操作系统(ROS)的履带车控制系统 | 第26-27页 |
| 4.2 平坦路面下基于卷积神经网络的场景切换识别 | 第27-29页 |
| 4.2.1 图像的获取 | 第27页 |
| 4.2.2 MATLAB深度学习工具箱 | 第27-28页 |
| 4.2.3 实验所用卷积神经网络LeNet-5的结构 | 第28页 |
| 4.2.4 实验结果 | 第28-29页 |
| 4.3 带有车体倾斜与旋转时基于卷积神经网络的场景切换识别 | 第29-31页 |
| 4.3.1 图像的获取 | 第29-30页 |
| 4.3.2 实验结果 | 第30-31页 |
| 4.4 卷积神经网络习得的底层特征可视化 | 第31-35页 |
| 4.4.1 基于Pylearn2的卷积神经网络底层特征可视化 | 第31-32页 |
| 4.4.2 Pylearn2调用卷积神经网络及运行结果可视化 | 第32-35页 |
| 第五章 总结 | 第35-36页 |
| 参考文献 | 第36-38页 |
| 附录A N频道输入图像的卷积层与池化层程序-未完工(MATLAB) | 第38-42页 |
| 附录B Pylearn2的卷积神经网络yaml文件 | 第42-45页 |
| 附录C OpenCV程序(Python) | 第45-48页 |
| 附录D OpenCV程序(C++) | 第48-49页 |
| 攻读硕士学位期间发表的学术论文 | 第49-50页 |
| 第六章 致谢 | 第50页 |
