| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 卷积神经网络研究背景 | 第10页 |
| 1.2 卷积神经网络在图像分类领域的研究现状 | 第10-11页 |
| 1.3 卷积神经网络权重优化算法的国内外研究现状 | 第11-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 卷积神经网络及参数优化算法概述 | 第16-20页 |
| 2.1 卷积神经网络基本概念与结构 | 第16-17页 |
| 2.2 卷积神经网络可视化分析 | 第17-18页 |
| 2.3 VGG卷积神经网络介绍 | 第18页 |
| 2.4 梯度下降方法基本概念 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第3章 改进的VGG卷积神经网络 | 第20-32页 |
| 3.1 数据标准化 | 第20-21页 |
| 3.2 改进的模型结构 | 第21-23页 |
| 3.3 改进的糅合模型结构 | 第23-25页 |
| 3.4 实验与分析 | 第25-30页 |
| 3.4.1 图像分类测试数据集 | 第25-26页 |
| 3.4.2 数据集扩增 | 第26-27页 |
| 3.4.3 改进的VGG与原VGG实验对比分析 | 第27-28页 |
| 3.4.4 改进的VGG模型与GOOGLE NET实验对比分析 | 第28-30页 |
| 3.5 本章小结 | 第30-32页 |
| 第4章 改进的权重参数优化算法 | 第32-46页 |
| 4.1 改进的学习率自适应调整方法 | 第32-34页 |
| 4.2 实验与分析 | 第34-39页 |
| 4.2.1 实验设定 | 第34页 |
| 4.2.2 基于6层卷积网络的各算法实验对比 | 第34-36页 |
| 4.2.3 基于16层卷积网络的各算法实验对比 | 第36-39页 |
| 4.3 改进的学习率退火方法 | 第39-41页 |
| 4.4 实验与分析 | 第41-44页 |
| 4.4.1 实验设定 | 第41页 |
| 4.4.2 各退火方法实验对比 | 第41-42页 |
| 4.4.3 改进的退火方法性能分析 | 第42-44页 |
| 4.5 本章小结 | 第44-46页 |
| 第5章 改进卷积神经网络模型的软件设计 | 第46-50页 |
| 5.1 数据初始化 | 第46页 |
| 5.2 输入图像数据处理 | 第46-47页 |
| 5.3 模型各网络层的实现与构建 | 第47-49页 |
| 5.4 模型编译及训练 | 第49页 |
| 5.5 本章小结 | 第49-50页 |
| 第6章 总结与展望 | 第50-52页 |
| 6.1 全文总结 | 第50页 |
| 6.2 研究展望 | 第50-52页 |
| 参考文献 | 第52-54页 |
| 附录 攻读学位期间发表的论文与科研成果清单 | 第54-56页 |
| 致谢 | 第56页 |