基于深度学习的脉冲星识别系统设计与实现 |
论文目录 | | | 摘要 | 第1-6页 | | Abstract | 第6-7页 | | 第1章 绪论 | 第7-12页 | | · 研究背景及意义 | 第7-8页 | | · 研究背景 | 第7-8页 | | · 研究意义 | 第8页 | | · 国内外研究现状 | 第8-10页 | | · 脉冲星识别的研究现状 | 第8-9页 | | · 深度学习的研究现状 | 第9-10页 | | · 论文主要研究内容 | 第10-11页 | | · 论文组织结构 | 第11-12页 | | 第2章 相关理论知识和技术 | 第12-33页 | | · 图像识别概述 | 第12-15页 | | · 图像的特征提取 | 第13-14页 | | · 图像识别的方法 | 第14-15页 | | · 光学字符识别 | 第15页 | | · 支持向量机 | 第15-17页 | | · 线性可分支持向量机 | 第16-17页 | | · 深度学习 | 第17-29页 | | · 人工神经网络概述 | 第18-20页 | | · 深度学习概述 | 第20-21页 | | · 受限玻尔兹曼机 | 第21-29页 | | · 开发语言和框架 | 第29-31页 | | · Python | 第29页 | | · J2EE | 第29-30页 | | · SSH框架 | 第30-31页 | | · MySQL | 第31页 | | · Hadoop | 第31-32页 | | · HDFS | 第31-32页 | | · Map Reduce | 第32页 | | · 本章小结 | 第32-33页 | | 第3章 基于深度学习的脉冲星识别 | 第33-47页 | | · 脉冲星的人工识别方法 | 第33-35页 | | · 脉冲星识别综合模型 | 第35-37页 | | · 基于深度学习的脉冲星图像识别模型 | 第35-36页 | | · 基于人工神经网络的脉冲星数值识别模型 | 第36页 | | · 脉冲星识别综合模型的提出 | 第36-37页 | | · 脉冲星识别综合模型实验分析 | 第37-46页 | | · 图像信息预处理 | 第38-39页 | | · 脉冲星的图像识别 | 第39-42页 | | · 数值信息预处理 | 第42-43页 | | · 脉冲星的数值识别 | 第43-45页 | | · 实验总结 | 第45-46页 | | · 本章小结 | 第46-47页 | | 第4章 需求分析 | 第47-55页 | | · 子模块需求分析 | 第48-53页 | | · 星体数据管理子系统 | 第48-50页 | | · 脉冲星识别管理子系统 | 第50-51页 | | · 脉冲星查询子系统 | 第51-52页 | | · 用户管理子系统 | 第52页 | | · 系统配置子系统 | 第52-53页 | | · 性能和硬件需求分析 | 第53-54页 | | · 本章小结 | 第54-55页 | | 第5章 系统设计 | 第55-68页 | | · 系统结构设计 | 第55-64页 | | · 星体数据管理 | 第57-61页 | | · 脉冲星识别 | 第61-62页 | | · 脉冲星查询子系统 | 第62-63页 | | · 用户管理 | 第63页 | | · 系统配置管理 | 第63-64页 | | · 数据存储设计 | 第64-66页 | | · 逻辑设计 | 第64-66页 | | · 脉冲星识别流程设计 | 第66-67页 | | · 本章小结 | 第67-68页 | | 第6章 系统实现 | 第68-88页 | | · 预处理与数值分析 | 第68-74页 | | · 图像区域提取 | 第68-73页 | | · 数值图像处理 | 第73-74页 | | · 分布式环境搭建 | 第74-77页 | | · 模型训练 | 第77-81页 | | · 脉冲星识别 | 第81-82页 | | · 脉冲星查询系统 | 第82-83页 | | · 数据库连接配置 | 第82-83页 | | · 页面跳转控制 | 第83页 | | · 展示效果 | 第83-87页 | | · 用户管理 | 第83-84页 | | · 单位管理 | 第84-85页 | | · HDFS数据管理 | 第85-86页 | | · 脉冲星识别 | 第86-87页 | | · 脉冲星查询 | 第87页 | | · 本章小结 | 第87-88页 | | 第7章 总结与展望 | 第88-90页 | | · 总结 | 第88-89页 | | · 展望 | 第89-90页 | | 参考文献 | 第90-93页 | | 图版 | 第93-97页 | | 致谢 | 第97-98页 |
|
|
|
| |
