| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 CMA-ES算法研究现状 | 第11-12页 |
| 1.2.2 卷积神经网络研究现状 | 第12-13页 |
| 1.3 论文篇章结构 | 第13-14页 |
| 第2章 相关基础知识简介 | 第14-31页 |
| 2.1 深度学习 | 第14-15页 |
| 2.2 协方差矩阵自适应进化策略 | 第15-20页 |
| 2.2.1 CMA-ES算法原理 | 第15-19页 |
| 2.2.2 CMA-ES算法流程 | 第19-20页 |
| 2.2.3 CMA-ES算法特点与优势 | 第20页 |
| 2.3 卷积神经网络 | 第20-30页 |
| 2.3.1 灰度图像预处理 | 第21-22页 |
| 2.3.2 卷积神经网络结构 | 第22-26页 |
| 2.3.3 卷积神经网络训练 | 第26-28页 |
| 2.3.4 卷积神经网络图像分类原理 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 改进CNN(CMA-ES-CNN)算法分析研究 | 第31-42页 |
| 3.1 CMA-ES-CNN算法基本思想和流程 | 第31-35页 |
| 3.1.1 算法基本思想和原理 | 第31-32页 |
| 3.1.2 相关参数配置 | 第32-34页 |
| 3.1.3 算法步骤和流程图 | 第34-35页 |
| 3.2 基于CMA-ES改进算法理论分析 | 第35-38页 |
| 3.2.1 简化进化路径 | 第35-37页 |
| 3.2.2 替代协方差矩阵 | 第37-38页 |
| 3.3 SCMA-ES-CNN算法 | 第38-40页 |
| 3.3.1 算法基本思想 | 第38-39页 |
| 3.3.2 算法步骤和流程图 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第4章 应用实例 | 第42-51页 |
| 4.1 MNIST手写字分类 | 第42-49页 |
| 4.1.1 SCMA-ES-CNN算法分类手写字 | 第44-45页 |
| 4.1.2 CMA-ES-CNN算法分类手写字 | 第45-46页 |
| 4.1.3 GA CNN算法分类手写字 | 第46-47页 |
| 4.1.4 SCMA-ES-CNN与CNN实验分析 | 第47-49页 |
| 4.2 一般数据集手写字实验 | 第49-50页 |
| 4.3 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第56-57页 |
| 致谢 | 第57页 |