声明
致谢
摘要
1 引言
1.1 研究的背景及意义
1.2 国内外研究现状
1.3 卷积神经网络中存在的不足
1.4 本论文的结构安排
1.5 本章小结
2 卷积神经网络相关理论及技术
2.1 概述
2.2 卷积神经网络的原理及特点
2.2.1 局部连接
2.2.2 权值共享
2.2.3 子采样操作
2.2.4 多卷积核
2.3 卷积神经网络的结构
2.3.1 卷积
2.3.2 池化
2.3.3 分类器
2.4 卷积神经网络的训练
2.4.1 向前传播与向后传播
2.4.2 单层神经网络训练
2.4.3 多层神经网络训练
2.5 卷积神经网络的优化
2.5.1 损失函数
2.5.2 随机梯度下降法
2.5.3 dropout
2.5.4 dropComaect
2.6 本章小结
3 基于Relu-Softplus激活函数的卷积神经网络
3.1 激活函数的作用
3.2 常见的激活函数及存在的问题
3.2.1 Sigmoid激活函数
3.2.2 Tanh激活函数
3.2.3 Relu激活函数
3.3 基于Relu-Softplus激活函数的卷积神经网路
3.4 实验验证
3.4.2 验证数据集描述--MNIST手写字体数据集
3.4.3 实验结果及分析
3.5 本章小结
4 基于K-means算法的卷积神经网络
4.1 有监督学习与无监督学习
4.1.1 有监督学习
4.1.2 无监督学习
4.1.3 两种学习方式的优缺点
4.2 基于K-means算法的卷积神经网络
4.3 其他深度学习框架—PCANet
4.4 实验验证
4.4.2 实验结果及分析
4.5 本章小结
5 卷积神经网络在路标识别系统中的应用
5.1 系统概述
5.2 系统需求分析
5.2.1 系统的功能性需求
5.2.2 系统的非功能性需求
5.3 系统概要设计
5.3.1 路标识别系统的功能模型
5.3.2 用户中心模块划分
5.3.3 路标检测模块划分
5.3.4 图像预处理模块划分
5.3.5 路标识别模块划分
5.4 系统详细设计与实现
5.4.1 系统开发环境
5.4.2 登录界面
5.4.3 系统主界面
5.4.4 路标检测界面
5.4.5 图像预处理界面
5.4.6 路标识别界面
5.5 实验验证
5.5.1 GTSRB数据集
5.5.2 GTSRB数据预处理
5.5.3 路标识别
5.5.4 实验结果分析
5.6 本章小结
6 总结与展望
6.1 总结
6.2 展望
参考文献
作者简历及攻读硕士/博士学位期间取得的研究成果
学位论文数据集