| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状和水平 | 第10-14页 |
| 1.2.1 爆炸物检测与识别技术研究现状 | 第10-12页 |
| 1.2.2 深度学习研究现状 | 第12-14页 |
| 1.3 论文主要研究内容及章节安排 | 第14-16页 |
| 1.3.1 论文主要研究内容 | 第14-15页 |
| 1.3.2 章节安排 | 第15-16页 |
| 第2章 基于荧光法的爆炸物检测方法 | 第16-24页 |
| 2.1 引言 | 第16页 |
| 2.2 基于荧光法的爆炸物检测 | 第16-18页 |
| 2.2.1 爆炸物检测原理 | 第16-17页 |
| 2.2.2 爆炸物检测基本流程设计 | 第17-18页 |
| 2.3 基于α-β自适应滤波的爆炸物检测算法 | 第18-20页 |
| 2.4 实验结果与分析 | 第20-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于压缩感知的爆炸物识别分类方法 | 第24-40页 |
| 3.1 引言 | 第24页 |
| 3.2 爆炸物荧光信号的预处理 | 第24-29页 |
| 3.2.1 爆炸物荧光信号的平稳性分析 | 第24-25页 |
| 3.2.2 基于经验模态分解(EMD)的信号平滑 | 第25-28页 |
| 3.2.3 爆炸物荧光信号的划分 | 第28-29页 |
| 3.3 基于压缩感知的爆炸物特征提取算法 | 第29-32页 |
| 3.3.1 压缩感知基本理论 | 第29-31页 |
| 3.3.2 基于压缩感知的爆炸物荧光信号特征提取 | 第31-32页 |
| 3.4 基于支持向量机的爆炸物识别分类算法 | 第32-36页 |
| 3.4.1 支持向量机(SVM)基本理论 | 第32-35页 |
| 3.4.2 基于SVM的爆炸物样本训练 | 第35页 |
| 3.4.3 基于SVM的待识别爆炸物预测 | 第35-36页 |
| 3.5 实验结果与分析 | 第36-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 基于深度学习的爆炸物识别分类方法 | 第40-55页 |
| 4.1 引言 | 第40页 |
| 4.2 深度学习基本理论 | 第40-42页 |
| 4.3 受限玻尔兹曼机(RBM) | 第42-45页 |
| 4.4 基于深度神经网络(DNN)的爆炸物识别分类算法 | 第45-51页 |
| 4.4.1 深度信念网络(DBN) | 第46-48页 |
| 4.4.2 基于DNN的爆炸物样本训练 | 第48-49页 |
| 4.4.3 基于DNN的待识别爆炸物预测 | 第49-51页 |
| 4.5 实验结果与分析 | 第51-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第5章 基于深度学习的爆炸物识别分类系统 | 第55-72页 |
| 5.1 引言 | 第55页 |
| 5.2 爆炸物识别分类系统总体设计 | 第55-57页 |
| 5.2.1 爆炸物识别分类系统整体结构 | 第55-56页 |
| 5.2.2 爆炸物识别分类系统设计流程 | 第56页 |
| 5.2.3 系统模块功能介绍 | 第56-57页 |
| 5.3 开发工具介绍 | 第57-59页 |
| 5.3.1 CNTK简介 | 第57-58页 |
| 5.3.2 CNTK编译情况 | 第58-59页 |
| 5.4 爆炸物识别分类系统主要模块功能实现 | 第59-68页 |
| 5.4.1 爆炸物训练模块功能实现 | 第59-66页 |
| 5.4.2 爆炸物预测模块功能实现 | 第66-68页 |
| 5.5 爆炸物识别分类系统功能测试 | 第68-71页 |
| 5.6 本章小结 | 第71-72页 |
| 第6章 总结与展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-79页 |
| 攻读硕士学位期间的研究成果 | 第79页 |