| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 卷积神经网络结构研究现状 | 第12-14页 |
| 1.2.2 卷积神经网络优化算法研究现状 | 第14-15页 |
| 1.3 本文主要工作 | 第15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 第2章 卷积神经网络结构及优化算法 | 第17-27页 |
| 2.1 卷积神经网络概述 | 第17-19页 |
| 2.1.1 卷积原理 | 第18-19页 |
| 2.1.2 降采样原理 | 第19页 |
| 2.2 卷积神经网络结构 | 第19-21页 |
| 2.2.1 感知机单元 | 第19-20页 |
| 2.2.2 多层卷积神经网络结构 | 第20-21页 |
| 2.3 反向传播梯度下降算法 | 第21-23页 |
| 2.4 梯度下降算法的改进算法 | 第23-25页 |
| 2.4.1 随机梯度下降算法SGD | 第23-24页 |
| 2.4.2 基于Momentum的随机梯度下降算法 | 第24-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第3章 改进的全卷积神经网络FC-VGGNet-plus | 第27-39页 |
| 3.1 深度卷积神经网络模型架构 | 第27-29页 |
| 3.1.1 VGGNet网络模型 | 第27-28页 |
| 3.1.2 VGGNet参数配置 | 第28-29页 |
| 3.2 改进的全卷积FC-VGGNet-plus模型 | 第29-34页 |
| 3.2.1 FC-VGGNet-plus结构设计 | 第29-32页 |
| 3.2.2 FC-VGGNet-plus模型参数选择 | 第32-34页 |
| 3.3 仿真实验与结果分析 | 第34-37页 |
| 3.3.1 实验数据集选择 | 第34-35页 |
| 3.3.2 实验结果分析 | 第35-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 基于群优化算法的卷积神经网络 | 第39-55页 |
| 4.1 粒子群算法 | 第39-41页 |
| 4.2 变权重粒子群算法 | 第41-43页 |
| 4.3 结合变权重粒子群算法的CNN优化算法PSO-CNN | 第43-46页 |
| 4.3.1 粒子群优化卷积神经网络算法原理 | 第43-45页 |
| 4.3.2 基于PSO-CNN算法的卷积神经网络训练过程 | 第45-46页 |
| 4.4 仿真实验与结果分析 | 第46-54页 |
| 4.4.1 实验数据集选择 | 第46-47页 |
| 4.4.2 实验结果分析 | 第47-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 基于PSO-CNN的FC-VGGNet-plus图像识别设计 | 第55-65页 |
| 5.1 构建基于PSO-CNN的全卷积网络 | 第55-57页 |
| 5.1.1 网络训练模式 | 第55-56页 |
| 5.1.2 图像识别系统设计 | 第56-57页 |
| 5.2 仿真环境及实验设计 | 第57-61页 |
| 5.2.1 仿真环境介绍 | 第57-58页 |
| 5.2.2 实验方案 | 第58-61页 |
| 5.3 实验结果分析 | 第61-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 作者简介及参与的科研项目 | 第73-75页 |
| 致谢 | 第75页 |
