基于深度卷积神经网络的位场数据去噪研究
| 摘要 | 第4-5页 |
| abstract | 第5-9页 |
| 第一章引言 | 第9-18页 |
| 1.1研究背景与意义 | 第9-10页 |
| 1.2国内外研究现状 | 第10-15页 |
| 1.2.1位场数据去噪技术的研究现状 | 第10-12页 |
| 1.2.2深度学习技术的发展和研究现状 | 第12-15页 |
| 1.3论文的研究内容和研究成果 | 第15-18页 |
| 1.3.1研究内容 | 第15-16页 |
| 1.3.2研究成果 | 第16-18页 |
| 第二章相关理论基础 | 第18-36页 |
| 2.1位场数据去噪的理论基础 | 第18-21页 |
| 2.1.1位场数据噪声模型 | 第18页 |
| 2.1.2位场数据去噪效果的衡量标准 | 第18-19页 |
| 2.1.3位场数据去噪的常用方法 | 第19-21页 |
| 2.2神经网络基础理论 | 第21-30页 |
| 2.2.1人工神经网络 | 第21-23页 |
| 2.2.2激活函数 | 第23-25页 |
| 2.2.3代价函数 | 第25-26页 |
| 2.2.4神经网络的工作原理 | 第26-28页 |
| 2.2.5反向传播算法 | 第28-30页 |
| 2.2.6神经网络的优化 | 第30页 |
| 2.3卷积神经网络简介 | 第30-35页 |
| 2.3.1卷积神经网络工作原理和常见结构 | 第30-33页 |
| 2.3.3卷积神经网络的特点 | 第33-35页 |
| 2.4本章小结 | 第35-36页 |
| 第三章实验的准备工作 | 第36-47页 |
| 3.1位场数据集的建立 | 第36-43页 |
| 3.1.1位场数据的正演 | 第36-39页 |
| 3.1.2位场数据集的建立策略 | 第39-41页 |
| 3.1.3位场数据的预处理 | 第41-42页 |
| 3.1.4数据剪切和数据增强技术 | 第42-43页 |
| 3.2网络架构设计 | 第43-45页 |
| 3.2.1神经网络实现位场数据去噪的原理 | 第43-44页 |
| 3.2.2去噪卷积神经网络模型架构 | 第44-45页 |
| 3.3实验平台 | 第45-46页 |
| 3.3.1深度学习框架 | 第45-46页 |
| 3.3.2实验设备 | 第46页 |
| 3.4本章小结 | 第46-47页 |
| 第四章实验结果分析和对比 | 第47-65页 |
| 4.1数据集的对比和网络模型参数的确定 | 第47-53页 |
| 4.1.1数据集的对比 | 第47-50页 |
| 4.1.2映射对象 | 第50-53页 |
| 4.1.3网络深度 | 第53页 |
| 4.2位场数据去噪方法的对比分析 | 第53-58页 |
| 4.2.1实验结果对比分析 | 第53-56页 |
| 4.2.2误差对比分析 | 第56-58页 |
| 4.3算法的适用性测试 | 第58-63页 |
| 4.3.1不同噪声强度测试 | 第58-61页 |
| 4.3.2对随机位场异常信号的测试 | 第61-63页 |
| 4.4本章小结 | 第63-65页 |
| 第五章结论与展望 | 第65-67页 |
| 5.1结论 | 第65-66页 |
| 5.2展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
