基于卷积神经网络的图像识别算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究进展 | 第9-11页 |
| 1.2.1 人工神经网络的发展和现状 | 第9页 |
| 1.2.2 卷积神经网络研究现状 | 第9-11页 |
| 1.2.3 卷积神经网络研究进展 | 第11页 |
| 1.3 主要内容及创新点 | 第11-12页 |
| 1.3.1 主要研究内容 | 第11-12页 |
| 1.3.2 创新点 | 第12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第二章 图像识别的相关理论 | 第14-23页 |
| 2.1 图像识别算法 | 第14-17页 |
| 2.1.1 贝叶斯分类法 | 第14-15页 |
| 2.1.2 模板匹配法 | 第15-16页 |
| 2.1.3 核方法 | 第16页 |
| 2.1.4 集成学习方法 | 第16页 |
| 2.1.5 人工神经网络法 | 第16-17页 |
| 2.2 神经网络 | 第17-19页 |
| 2.2.1 神经网络中的神经元结构 | 第17-18页 |
| 2.2.2 神经网络模型 | 第18-19页 |
| 2.3 卷积神经网络 | 第19-22页 |
| 2.3.1 卷积神经网络结构 | 第19-21页 |
| 2.3.2 卷积神经网络优缺点分析 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于改进卷积神经网络的图像识别算法设计 | 第23-36页 |
| 3.1 图像的预处理 | 第23-24页 |
| 3.1.1 图像的细化 | 第23-24页 |
| 3.1.2 图像的倾斜矫正 | 第24页 |
| 3.2 卷积神经网络的模型设计 | 第24-30页 |
| 3.2.1 输入层与输出层设计 | 第25-26页 |
| 3.2.2 中间层设计 | 第26-28页 |
| 3.2.3 图像识别的区域设置 | 第28-30页 |
| 3.3 卷积神经网络的训练过程 | 第30-35页 |
| 3.3.1 网络初始化 | 第30页 |
| 3.3.2 网络前向传播过程 | 第30-31页 |
| 3.3.3 误差计算与反向传播 | 第31-32页 |
| 3.3.4 网络的权值更新过程 | 第32-34页 |
| 3.3.5 偏差共享选择 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于MapReduce的卷积神经网络设计 | 第36-46页 |
| 4.1 平台搭建 | 第36-39页 |
| 4.1.1 Hadoop集群搭建 | 第36-38页 |
| 4.1.2 SecureCRT | 第38-39页 |
| 4.2 MapReduce并行化思想 | 第39-40页 |
| 4.2.1 MapReduce编程结构模型 | 第39-40页 |
| 4.2.2 并行化策略 | 第40页 |
| 4.3 基于MapReduce的CNN算法设计 | 第40-45页 |
| 4.3.1 M-CNN算法基本流程设计 | 第41-43页 |
| 4.3.2 CNN并行训练过程 | 第43-44页 |
| 4.3.3 M-CNN算法分析 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 实验结果分析 | 第46-52页 |
| 5.1 Hadoop的运行 | 第46-48页 |
| 5.1.1 Hadoop配置 | 第46页 |
| 5.1.2 Hadoop的启动 | 第46-48页 |
| 5.2 结果分析 | 第48-51页 |
| 5.2.1 结果分析 | 第48-50页 |
| 5.2.2 识别结果分析 | 第50-51页 |
| 5.3 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-56页 |
| 在读期间公开发表的论文及获奖情况 | 第56-57页 |
| 致谢 | 第57页 |
